23 באוקטובר נערך בבייג'ינג כנס iRTE2026 לאינטראקציה חכמה בזמן אמת. מייסד ומנכ"ל Agora, ז'או בין, נשא בנאום המרכזי תחת הכותרת "דיאלוג עם AGI: הפרק הבא של האינטראקציה בזמן אמת", סקר את השינויים המרכזיים בשנה החולפת באינטראקציה בזמן אמת, ב-AI שיחתי ובתשתיות הבסיסיות, והציג את מסגרת "חמש רמות יכולת דיאלוג", המשרטטת את נתיב ההתפתחות של AI שיחתי מתגובה בסיסית לעבר הבנה עמוקה ותקשורת מבוססת יחסים.
לדעת ז'או בין, ככל שה-AI עובר מלענות על שאלות לתקשורת מתמשכת, להבנת הקשר ולביצוע משימות, מושא האינטראקציה בזמן אמת מתרחב מאדם לאדם לאדם ולסוכן. גם תפקידה של טכנולוגיית האינטראקציה בזמן אמת מתרחב בהתאם: היא נדרשת לא רק להעביר מידע בצורה יציבה וחלקה יותר, אלא גם לספק תמיכה בזמן אמת לתפיסה, הבנה, ביטוי ופעולה של ה-AI.
משאלה-תשובה בודדת לתקשורת עמוקה מבוססת יחסים: חמשת שלבי האבולוציה של דיאלוג AGI
לדעת ז'או בין, אין למדוד את התקדמות ה-AI השיחתי רק לפי מהירות תגובה וטבעיות השפה. חשוב יותר הוא היכולת להבין את כוונת מושא השיחה, את מצבו ואת היחסים עמו, להתבטא באופן הולם במצבים מורכבים, ולגבש בהדרגה הבנה ארוכת טווח ועמוקה.
בהתבסס על גישה זו הציג ז'או בין בנאומו את מסגרת "חמש רמות יכולת דיאלוג", המחלקת את יכולת הדיאלוג לחמש שכבות:
L1, ביטוי מנקודת מבט עצמית: בעיקר ביטוי עצמי והמשכיות פסיבית, מימוש של "שאלה אחת, תשובה אחת".
L2: ביטוי המבוסס על דפוסי אינטראקציה: מעבר מתגובה פסיבית לביטוי יזום, הפיכת השיחה לטבעית וקוהרנטית יותר.
L3: תקשורת המבוססת על קוגניציה individואלית: הבנת זהות, כוונה ומצב של הפרט, ומימוש תקשורת מותאמת אישית.
L4: תקשורת המבוססת על קוגניציה קבוצתית: הבנת יחסים חברתיים והבדלי תפקידים, והסתגלות לתרחישי תקשורת מרובי משתתפים מורכבים.
L5: תקשורת המבוססת על יחסים עמוקים: הבנת הקשר ארוך טווח והתפתחות היחסים, גיבוש הבנה עמוקה יותר והרמוניה מחשבתית, כך שהתקשורת תעבור מהבנת הרגע להבנת האדם.
חמש השכבות הללו מציגות לא רק את החיזוק ההדרגתי של טכנולוגיית הדיאלוג, אלא גם את השינוי ביחסים בין ה-AI לאדם: מהשלמת סבב שאלה-תשובה, להבנת אדם, להבנת היחסים בין אנשים, ולבסוף לתקשורת עמוקה החוצה זמן והקשר.
ז'או בין ציין כי ה-AI השיחתי עובר מאינטראקציה פסיבית בשלביה המוקדמים לדיאלוג דו-כיווני מלא יזום וטבעי יותר, ומתחיל לנסות להבין את האישיות, המצב, הרגשות והיחסים של האדם. לקראת העתיד, ה-AI נדרש לפרוץ את חלוקת התפקידים וסדר התקשורת בתרחישים חברתיים מורכבים, ולהעמיק את הבנתו את ההקשר המצטבר ארוך הטווח של הפרט. זהו גם כיוון התפתחות חשוב של דיאלוג AGI: ה-AI לא רק מבין משפט בודד, אלא משלב הקשר מלא כדי להבין את כוונתו האמיתית של האדם ולהגיב באופן הולם.
Real-Time AI Infra: תשתית המפתח התומכת בדיאלוג AGI
ההתפתחות המתמשכת של יכולת הדיאלוג מציבה דרישות גבוהות יותר גם לטכנולוגיה הבסיסית. ז'או בין ציין בנאומו כי בשנה החולפת, האימוץ העמוק של טכנולוגיית WebRTC על ידי חברות כמו OpenAI קידם תשומת לב ויישום רחבים יותר של טכנולוגיית אינטראקציה בזמן אמת בתחום ה-AI השיחתי. ככל שה-AI עובר משאלה-תשובה חד-סבבית לאינטראקציה מתמשכת, תשתית האינטראקציה בזמן אמת הופכת לתמיכה טכנולוגית חשובה המחברת בין מודלים, מסגרות הרצת סוכנים ומשתמשים.
בהשוואה ליישומי AI מסורתיים, תרחישי שיחה דורשים סטנדרטים מחמירים יותר של השהיה, יציבות ואינטראקציה דו-כיוונית. ה-AI נדרש לקלוט קלט מהמשתמש תוך כדי הבנת ההקשר וארגון התגובה, ובעת הצורך להתמודד עם קטיעות בכל רגע, ולהמשיך להפעיל כלים ולקדם משימות. כל השהיה משמעותית בכל חוליה עלולה לפגוע בטבעיות השיחה ואף להשפיע על השלמת המשימה.
כדי לתמוך בצרכים אלה הציג ז'או בין את כיוון התשתית לאינטראקציה חכמה בזמן אמת: באמצעות רשת תמסורת גלובלית בזמן אמת, הסקה מבוזרת משותפת של ענן-קצה-מכשיר, תזמור בזמן אמת ויכולות אינטראקציה דו-כיוונית מלאה, לאפשר למודלים ולסוכנים לשתף פעולה באופן מתמשך בסביבות אמיתיות. גם מנוע ה-AI השיחתי של Agora שם את האינטראקציה הדו-כיוונית המלאה במרכז, ומחבר בין מודלים, מסגרות הרצת סוכנים ומשתמשים, כדי לתמוך בחוויית שיחה יציבה ומסונכרנת בזמן אמת.
במקביל, Agora ממשיכה לשפר עבור מפתחים כלי פיתוח וערכות פיתוח ל-AI שיחתי, בשילוב יכולות כגון SDK, Skills, כלי CLI ו-Recipes, כדי לסייע למפתחים לבנות ביעילות רבה יותר סוכנים בעלי לוגיקה מלאה ויכולת ביצוע.
משירות לקוחות וחינוך ועד ליווי AI ומכשירים לבישים חכמים, ז'או בין סבור שה-AI השיחתי נכנס ליותר ויותר תרחישים אמיתיים. האם ה-AI אכן יצור ערך אמיתי תלוי לא רק בשאלה אם המודל "יודע לדבר", אלא גם ביכולתו להבין צרכים, לתקשר באופן טבעי ולהשלים משימות באופן מתמשך. טכנולוגיית האינטראקציה בזמן אמת תמלא תפקיד הולך וגדל בתהליך זה.
לאחר מכן הציג אנדריי נורקין, מהנדס ראשי ב-NVIDIA ומנהל משותף של קבוצת העבודה לקידוד וידאו ב-AOMedia, הרצאה על טכנולוגיית קידוד הווידאו AV2.
דיון מעגלי: האם הסוכן האישי יהפוך לכניסה האישית של הדור הבא?
בדיון המעגלי הראשון, בהנחיית טוני וואנג, מייסד שותף ב-Agora, דנו יוג'ין וויי, מנהל מוצר במדיה אינטראקטיבית ובלוגר טכנולוגיה, פאן לואן, יוצר תוכן עצמאי בתחום הטכנולוגיה ומגיש הפודקאסט "לואן פן שו", והואה ג'יאן שין, יזם חומרה ל-AIoT ויוצר תוכן עצמאי בתחום AI בקצה, סביב הנושא "סוכן אישי: מכלי חדש לכניסה חדשה?".
מהטלפון הנייד, המשקפיים והאוזניות ועד התקנים נישאים נוספים, הסוכן האישי מעורר מחדש את החשיבה בתעשייה על כניסת האינטראקציה בין אדם למחשב של הדור הבא. פאן לואן סבור שהסוכן האישי עשוי להביא לשינוי פרדיגמה: ערכו של מוצר AI עובר מהתחרות על תשומת הלב של המשתמש לעזרה למשתמש להשלים משימות ביעילות רבה יותר. הסוכן האישי העתידי לא רק יגיב לפקודות ברורות, אלא גם ייקח על עצמו יזומות משימות, ויסייע למשתמש לטפל בעניינים בעלי מטרה ברורה שאינם מצדיקים השקעת זמן רבה.
לגבי החומרה האישית של הדור הבא, הציע הואה ג'יאן שין שהכניסה העתידית לא בהכרח תהיה בלעדית להתקן אחד; משקפיים, אוזניות וחומרה אחרת המסוגלת לחוש את הסביבה ולבצע משימות — לכולן יש סיכוי. לדעתו, הסוכן האישי נדרש לא רק להבין את המשתמש, אלא גם לחוש באופן מתמשך את העולם הפיזי דרך התקנים פיזיים ולפעול, מה שפותח מרחב התפתחות חדש לצורות חומרה שונות.
יוג'ין וויי הוביל את הדיון לערך ה"הקשר": היכולת של הסוכן האישי להבין באמת את תחומי העניין, תיעוד התקשורת והיחסים החברתיים של המשתמש תשפיע על יכולתו להפוך לכניסה אישית בעלת ערך. במדידת האם כניסה חדשה מתממשת, הוא הציע לבחון את האינטראקציה היומית של המשתמשים עם הסוכן, ואת השאלה האם המשתמשים פונים יותר לסוכן או שהסוכן פונה יותר למשתמשים. הדיון המעגלי הרחיב מכאן את הדיון על ערך המוצר, צורת החומרה וקריטריוני המדידה העתידיים של הסוכן האישי.
דיון מעגלי: מ"יודע לשוחח" ל"יודע לפעול" — כיצד AI שיחתי יוצר ערך אמיתי?
בדיון המעגלי השני, בהנחיית צוי בו, מנהל עסקים ראשי ב-Agora, דנו צ'ן וויי, מייסד Xiejue Intelligence, גנג שיאנג ליי, מייסד Guanke Technology, צאי גואו שיאנג, מייסד שותף ואחראי אקוסיסטם ב-Rokid Leqi, וו קאן, מנכ"ל Titan Qiming, מתוך תרחישים שונים — אינטליגנציה embodית, לבישים חכמים, שיווק ארגוני וגיוס AI — סביב הנושא: AI שיחתי כמניע לאינטראקציה בין אדם לסוכן בדור הבא.
צ'ן וויי סבור שהמפתח באינטליגנציה embodית הוא הפיכת כוונת האדם לפעולה של הרובוט. הרובוט נדרש לא רק להבין פקודות קוליות, אלא גם למזג מידע מולטי-מודלי כגון חזות, קול ומצב עצמי, להשלים תפיסה, תכנון וקבלת החלטות בסביבה הפיזית, ולהתאים באופן מתמשך את ביצוע המשימה בהתאם לשינויים בסביבה לאחר הפעולה. בהשוואה לביצוע משימות הדגמה שנקבעו מראש, חשוב יותר שהרובוט יבין באופן מתמשך את צורכי האדם האמיתיים בסביבה פתוחה, כך שהפעולה תתאים תמיד לכוונת האדם. Xiejue Intelligence מפתחת מודל בסיס embodי בפרדיגמה חדשה בשם Duplex Reasoning, שנועד לממש אינטגרציה של אינטראקציה ופעולה של רובוטים.
צאי גואו שיאנג, מנקודת המבט שלPractice עם משקפי AI, הדגיש שחוויית השיחה היא היכולת התחרותית המרכזית של התקנים לבישים עם AI. לדבריו, לא משנה כמה חזקה החומרה והיכולות של ה-AI מאחוריה, אם השיחה אינה טבעית מספיק, חוויית המשתמש תיפגע ישירות. בעתיד, התקנים לבישים עם AI יצטרכו לאפשר למשתמשים בהדרגה שלא לחוש שהם משוחחים עם AI, באמצעות אינטראקציה בזמן אמת בעלת השהיה נמוכה ויציבה, והבנת סמנטיקה והקשר ארוך טווח. הוא גם שיתף את הניסיון של העוזר החכם Rokid Leqi בשימוש בשירותי קישור RTC של Agora, והביע אופטימיות שמשקפי AI יהפכו לכניסה אישית חשובה בעידן ה-AI.
בתרחישי יישום ארגוניים ציין גנג שיאנג ליי כי כדי שנציג קולי מבוסס AI יספק שירות עסקי אמין, יש לפתור בעיות של השהיה, עיתוי קטיעה ואנושיות, כשההשהיה אף עלולה להשפיע ישירות על תוצאת המשימה. בשיווק B2B, ה-AI נדרש לשלב מערכות ידע תחומיות ושיתוף פעולה עם בני אדם כדי להבטיח טוב יותר תוצאות עסקיות. וו קאן, מנקודת המבט שלPractice בגיוס AI, ציין כי AI שיחתי יכול לסייע לעסקי גיוס להגיע למועמדים בקנה מידה גדול ולשפר את יעילות השירות, ולא רק להחליף עובדים. כדי ליצור מעגל עסקי שלם, יש לצבור נתוני תעשייה, לארגן את העסק כשהמועמד במרכז, לסייע לסוכן לבנות זיכרון ארוך טווח, ולסייע ל-AI להעריך ולשפר באופן מתמשך את איכות השירות סביב אירועים עסקיים ממשיים כמו הגעה לראיון וקליטה.
מדברי ארבעת האורחים עולה כי although הדרישות של תעשיות שונות מ-AI שיחתי נבדלות, כולן מצביעות לכיוון אחד: ה-AI נדרש לא רק לשוחח, אלא גם להבין תרחישים אמיתיים, להשתלב בתהליכים עסקיים קיימים ולהשלים משימות באופן אמין. עם התפתחות מתמשכת של אינטראקציה בזמן אמת, תפיסה מולטי-מודלית ויכולת ביצוע של סוכנים, ה-AI השיחתי עשוי להפוך מכלי אינטראקציה לכוח חשוב המחבר בין העולם הדיגיטלי לעולם הפיזי ומקדם את פעילות העסקים.
מאינטראקציה בזמן אמת לאינטליגנציה בזמן אמת: פתיחת הפרק הבא של דיאלוג AGI
ממסגרת חמש רמות יכולת הדיאלוג שהציג ז'או בין, דרך שני הדיונים המעגליים על הסוכן האישי והיישום העסקי האמיתי, הנאום המרכזי של iRTE2026 הציג מגמה תעשייתית ברורה: התחרות ב-AI שיחתי מתרחבת מיכולות מודל בסיסיות להבנת הקשר, אינטראקציה בזמן אמת, קוגניציה של יחסים מורכבים וביצוע משימות.
כאשר ה-AI אינו מוגבל עוד לתשובה פסיבית, אלא מסוגל להבין אדם באופן מתמשך, להשתתף באופן יזום בתקשורת ולהשלים משימות בתרחישים אמיתיים, טכנולוגיית האינטראקציה בזמן אמת תישא גם שליחות עמוקה יותר.
לקראת השלב הבא של דיאלוג AGI, Agora תמשיך לחקור יחד עם מפתחים ושותפי תעשייה את המיזוג בין אינטראקציה בזמן אמת ל-AI גנרטיבי, ותקדם חוויית אינטראקציה בזמן אמת טבעית ויעילה יותר בין אדם לאדם ובין אדם לסוכן.
