23 ოქტომბერს პეკინში გაიმართა iRTE2026 რეალურ დროში ინტელექტის კონფერენცია. Agora-ს დამფუძნებელმა და CEO-მ ჟაო ბინმა მთავარ ფორუმზე წარმოადგინა მოხსენება სახელწოდებით „დიალოგი AGI-სთან: რეალურ დროში ინტერაქციის შემდეგი თავი", რომელშიც მიმოიხილა გასული წლის განმავლობაში რეალურ დროში ინტერაქციაში, დიალოგურ AI-სა და ძირითად ინფრასტრუქტურაში მომხდარი ძირითადი ცვლილებები და წარმოადგინა „დიალოგის უნარის ხუთდონიანი" ჩარჩო, რომელიც გამოკვეთს დიალოგური AI-ს ევოლუციურ გზას საბაზისო პასუხიდან ღრმა გაგებისა და ურთიერთობითი კომუნიკაციისკენ.
ჟაო ბინის აზრით, როდესაც AI კითხვებზე პასუხის გაცემიდან გადადის უწყვეტ კომუნიკაციაზე, კონტექსტის გაგებასა და ამოცანების შესრულებაზე, რეალურ დროში ინტერაქციის ობიექტი ადამიანიდან ადამიანზე ფართოვდება ადამიანსა და Agent-ს შორის. რეალურ დროში ინტერაქციის ტექნოლოგიის როლი შესაბამისად ფართოვდება: მან არა მხოლოდ ინფორმაციის გადაცემა უნდა გახადოს უფრო სტაბილური და გლუვი, არამედ AI-ს აღქმას, გაგებას, გამოხატვასა და მოქმედებას უნდა მისცეს რეალურ დროში მხარდაჭერა.
„ერთი კითხვა — ერთი პასუხიდან" ღრმა ურთიერთობით კომუნიკაციამდე: დიალოგური AGI-ს ხუთსაფეხურიანი ევოლუცია
ჟაო ბინის აზრით, დიალოგური AI-ს პროგრესი არ უნდა შეფასდეს მხოლოდ პასუხის სიჩქარითა და ენის ბუნებრიობით. უფრო მნიშვნელოვანია, შეუძლია თუ არა მას დიალოგის ობიექტის განზრახვის, სიტუაციისა და ურთიერთობის გაგება, რთულ სცენარებში ადეკვატური გამოხატვა და თანდათანობით გრძელვადიანი, ღრმა გაგების ჩამოყალიბება.
ამ მსჯელობის საფუძველზე ჟაო ბინმა მოხსენებაში წარმოადგინა „დიალოგის უნარის ხუთდონიანი" ჩარჩო, რომელიც დიალოგის უნარს ყოფს ხუთ დონედ:
L1, საკუთარი პერსპექტივიდან გამოხატვა: ძირითადად თვითგამოხატვა და პასიური გაგრძელება, „ერთი კითხვა — ერთი პასუხის" განხორციელება.
L2: ინტერაქციის კანონზომიერებებზე დაფუძნებული გამოხატვა: პასიური რეაგირებიდან აქტიურ გამოხატვაზე გადასვლა, დიალოგის უფრო ბუნებრივი და თანმიმდევრული გახდომა.
L3: ინდივიდუალურ შემეცნებაზე დაფუძნებული კომუნიკაცია: ინდივიდის იდენტობის, განზრახვისა და სიტუაციის გაგება, ინდივიდზე მორგებული კომუნიკაციის განხორციელება.
L4: ჯგუფურ შემეცნებაზე დაფუძნებული კომუნიკაცია: სოციალური ურთიერთობებისა და როლური განსხვავებების გაგება, რთული მრავალმონაწილე კომუნიკაციის სცენარებთან ადაპტაცია.
L5: ღრმა ურთიერთობაზე დაფუძნებული კომუნიკაცია: გრძელვადიანი კონტექსტისა და ურთიერთობის ევოლუციის გაგება, უფრო ღრმა გაგებისა და აზროვნებითი სინქრონიის ჩამოყალიბება, კომუნიკაციის აწმყოს გაგებიდან ადამიანის გაგებამდე მიყვანა.
ეს ხუთი დონე წარმოადგენს არა მხოლოდ დიალოგის ტექნოლოგიის ეტაპობრივ გაძლიერებას, არამედ AI-სა და ადამიანს შორის ურთიერთობის ცვლილებას: კითხვა-პასუხის ერთი რაუნდის დასრულებიდან ადამიანის გაგებამდე, შემდეგ ადამიანებს შორის ურთიერთობის გაგებამდე და საბოლოოდ დროისა და კონტექსტის გადამკვეთი ღრმა კომუნიკაციის ჩამოყალიბებამდე.
ჟაო ბინმა აღნიშნა, რომ დიალოგური AI ადრეული პასიური გაგრძელების ინტერაქციიდან ვითარდება უფრო აქტიური, ბუნებრივი სრულდუპლექსური დიალოგისკენ და იწყებს ადამიანის ინდივიდუალობის, სიტუაციის, ემოციებისა და ურთიერთობების გაგების მცდელობას. მომავლისკენ AI-მ ასევე უნდა გადალახოს რთულ სოციალურ სცენარებში როლური დანაწილებისა და კომუნიკაციის წესრიგის ბარიერი, კიდევ უფრო გაიღრმავოს ინდივიდის გრძელვადიანად დაგროვილი კონტექსტის გაგება. ეს არის დიალოგური AGI-ს განვითარების მნიშვნელოვანი მიმართულება: AI-მ უნდა შეძლოს არა მხოლოდ ერთი წინადადების გაგება, არამედ სრული კონტექსტის გათვალისწინებით ადამიანის ნამდვილი განზრახვის გაგება და ადეკვატური პასუხის გაცემა.
Real-Time AI Infra: დიალოგური AGI-ს საკვანძო ინფრასტრუქტურა
დიალოგის უნარის უწყვეტი ევოლუცია უფრო მაღალ მოთხოვნებს უყენებს ფუძემდებლურ ტექნოლოგიას. ჟაო ბინმა მოხსენებაში აღნიშნა, რომ გასული წლის განმავლობაში OpenAI-სა და სხვა კომპანიების მიერ WebRTC ტექნოლოგიის ღრმა გამოყენებამ ხელი შეუწყო რეალურ დროში ინტერაქციის ტექნოლოგიის უფრო ფართო ყურადღებისა და გამოყენების მოპოვებას დიალოგური AI-ს სფეროში. როდესაც AI ერთრაუნდიანი კითხვა-პასუხიდან გადადის უწყვეტ ინტერაქციაზე, რეალურ დროში ინტერაქციის ინფრასტრუქტურა ხდება მნიშვნელოვანი ტექნოლოგიური საყრდენი, რომელიც აკავშირებს მოდელებს, Agent-ის მუშაობის ჩარჩოებსა და მომხმარებლებს.
ტრადიციულ AI აპლიკაციებთან შედარებით, დიალოგის სცენარები უფრო მკაცრ მოთხოვნებს უყენებს დაყოვნებას, სტაბილურობასა და ორმხრივ ინტერაქციას. AI-მ ერთდროულად უნდა მიიღოს მომხმარებლის შეყვანა, გაიაზროს კონტექსტი, მოაწყოს პასუხი, საჭიროების შემთხვევაში ნებისმიერ დროს უნდა უმკლავდებოდეს შეწყვეტას და განაგრძობდეს ხელსაწყოების გამოძახებასა და ამოცანების წინსვლას. ნებისმიერ რგოლში შესამჩნევმა დაყოვნებამ შეიძლება დაარღვიოს დიალოგის ბუნებრიობა და თუნდაც გავლენა მოახდინოს ამოცანის შესრულებაზე.
ამ მოთხოვნების დასაკმაყოფილებლად ჟაო ბინმა წარმოადგინა რეალურ დროში ინტელექტუალური ინტერაქციისკენ მიმართული ინფრასტრუქტურის მიმართულება: გლობალური რეალურ დროში გადაცემის ქსელის, განაწილებული ღრუბელ-კიდე-მოწყობილობის ერთობლივი ინფერენციის, რეალურ დროში ორკესტრაციისა და სრულდუპლექსური ინტერაქციის შესაძლებლობების მეშვეობით, მოდელებსა და Agent-ს შეუძლიათ რეალურ სცენარებში უწყვეტი თანამშრომლობა. Agora-ს დიალოგური AI ძრავა ასევე სრულდუპლექსურ ინტერაქციას აქცევს ბირთვად, აკავშირებს მოდელებს, Agent-ის მუშაობის ჩარჩოებსა და მომხმარებლებს, უზრუნველყოფს სტაბილურ, სინქრონულ რეალურ დროში დიალოგის გამოცდილებას.
ამავდროულად, Agora განაგრძობს დეველოპერებისთვის დიალოგური AI-ს განვითარების ხელსაწყოებისა და კომპლექტების გაუმჯობესებას, SDK-ის, Skills-ის, CLI ხელსაწყოებისა და Recipes-ის შესაძლებლობების გაერთიანებით, ეხმარება დეველოპერებს უფრო ეფექტურად ააშენონ სრული ლოგიკისა და შესრულების უნარის მქონე Agent-ები.
მომხმარებელთა მომსახურებიდან, განათლებიდან AI-ს თანმხლებობასა და ჭკვიან პორტატულ მოწყობილობებამდე, ჟაო ბინის აზრით, დიალოგური AI უფრო მეტ რეალურ სცენარში შედის. შეუძლია თუ არა AI-ს ნამდვილად ღირებულების შექმნა, დამოკიდებულია არა მხოლოდ იმაზე, „ლაპარაკობს" თუ არა მოდელი, არამედ იმაზეც, შეუძლია თუ არა მას მოთხოვნილებების გაგება, ბუნებრივი კომუნიკაცია და ამოცანების უწყვეტად შესრულება. რეალურ დროში ინტერაქციის ტექნოლოგია ამ პროცესში სულ უფრო მნიშვნელოვან როლს შეასრულებს.
შემდეგ NVIDIA-ს მთავარმა არქიტექტორმა, AOMedia ვიდეო კოდეკის სამუშაო ჯგუფის თანათავმჯდომარემ ანდრეი ნორკინმა წარმოადგინა მოხსენება AV2 ვიდეო კოდეკის ტექნოლოგიის შესახებ.
მრგვალი მაგიდა: გახდება თუ არა პირადი Agent შემდეგი თაობის პირადი შესვლის წერტილი?
Agora-ს თანადამფუძნებლის ტონი ვანგის მიერ წარმართულ პირველ მრგვალ მაგიდაზე ინტერაქტიული მედიის პროდუქტის მენეჯერი, ტექნობლოგერი იუჯინ ვეი, ტექნოლოგიური თვითმედიის ავტორი, პოდკასტ „ლუანფანშუს" წამყვანი პან ლუანი და AIoT ტექნიკის მეწარმე, კიდე-მოწყობილობის AI თვითმედიის წამყვანი ხუა ძიანსინი განიხილავდნენ თემას „პირადი Agent: ახალი ხელსაწყოდან ახალ შესვლის წერტილამდე?".
ტელეფონებიდან, სათვალეებიდან, ყურსასმენებიდან და სხვა პორტატული მოწყობილობებიდან, პირადი Agent კვლავ იწვევს ინდუსტრიაში ფიქრს შემდეგი თაობის ადამიან-კომპიუტერის ინტერაქციის შესვლის წერტილის შესახებ. პან ლუანის აზრით, პირადმა Agent-მა შეიძლება გამოიწვიოს პარადიგმური ცვლილება: AI პროდუქტების ღირებულება გადადის მომხმარებლის ყურადღებისთვის ბრძოლიდან მომხმარებლისთვის ამოცანების უფრო ეფექტურად შესრულების დახმარებაზე. მომავლის პირადმა Agent-მა არა მხოლოდ ნათელ მითითებებზე უნდა უპასუხოს, არამედ აქტიურად უნდა იტვირთოს ამოცანები, დაეხმაროს მომხმარებელს იმ საქმეების მოგვარებაში, რომლებსაც ნათელი მიზანი აქვთ, მაგრამ დიდი დროის დახარჯვა არ ღირს.
შემდეგი თაობის პირადი ტექნიკისთვის ხუა ძიანსინმა წამოაყენა, რომ მომავალი შესვლის წერტილი შეიძლება არ იყოს რომელიმე კონკრეტული მოწყობილობის ექსკლუზიური — სათვალეებს, ყურსასმენებსა და სხვა ტექნიკას, რომელსაც გარემოს აღქმა და ამოცანების შესრულება შეუძლია, აქვს შანსი. მისი აზრით, პირადმა Agent-მა არა მხოლოდ მომხმარებლის გაგება უნდა შეძლოს, არამედ ფიზიკური მოწყობილობების მეშვეობით რეალური სამყაროს უწყვეტი აღქმა და მოქმედება, რაც სხვადასხვა ფორმის ტექნიკისთვის ახალ განვითარების სივრცეს ქმნის.
იუჯინ ვეიმ კი დისკუსია „კონტექსტის" ღირებულებისკენ მიმართა: შეძლებს თუ არა პირადი Agent ნამდვილად მომხმარებლის ინტერესების, კომუნიკაციის ჩანაწერებისა და სოციალური ურთიერთობების გაგებას, რაც გავლენას მოახდენს მის ღირებული პირადი შესვლის წერტილად ჩამოყალიბებაზე. ახალი შესვლის წერტილის სიცოცხლისუნარიანობის შეფასებისას მან ასევე შესთავაზა ყურადღება მიექცეს მომხმარებლის ყოველდღიურ ინტერაქციას Agent-თან და იმას, მეტად მომხმარებელი ეძებს Agent-ს თუ Agent ეძებს მომხმარებელს. მრგვალმა მაგიდამ ამის შემდეგ განიხილა პირადი Agent-ის პროდუქტული ღირებულება, ტექნიკის ფორმა და მომავლის შეფასების კრიტერიუმები.
მრგვალი მაგიდა: „საუბრის უნარიდან" „საქმის კეთების უნარამდე", როგორ ქმნის დიალოგური AI რეალურ ღირებულებას?
Agora-ს მთავარი კომერციული ოფიცრის ცუი ბოს მიერ წარმართულ მეორე მრგვალ მაგიდაზე Xiyue Intelligence-ის დამფუძნებელი ჩენ ვეი, Guanke Technology-ის დამფუძნებელი გენ სიანლეი, Rokid-ის თანადამფუძნებელი და ეკოსისტემის ხელმძღვანელი ცაი გოსიანი და Titan Qiming-ის CEO ვუ კანი, გამოდიოდნენ როგორც ემბოდიური ინტელექტის, ჭკვიანი პორტატული მოწყობილობების, საწარმოო მარკეტინგისა და AI რეკრუტინგის სხვადასხვა სცენარიდან, და განიხილავდნენ დიალოგურ AI-ს: შემდეგი თაობის ადამიან-Agent ინტერაქციის მამოძრავებელს.
ჩენ ვეის აზრით, ემბოდიური ინტელექტის გასაღები ადამიანის განზრახვის რობოტის მოქმედებად ნამდვილ გადაქცევაში მდგომარეობს. რობოტმა არა მხოლოდ ხმოვანი მითითებების გაგება უნდა შეძლოს, არამედ ვიზუალური, ხმოვანი და საკუთარი მდგომარეობის მულტიმოდალური ინფორმაციის შერწყმით დაასრულოს ფიზიკური გარემოს აღქმა, დაგეგმვა და გადაწყვეტილების მიღება, და მოქმედების შემდეგ გარემოს ცვლილებების მიხედვით განაგრძოს ამოცანის შესრულების კორექტირება. წინასწარ განსაზღვრული დემონსტრაციული ამოცანების შესრულებასთან შედარებით, რობოტისთვის უფრო მნიშვნელოვანია ღია გარემოში ადამიანის რეალური მოთხოვნილებების უწყვეტი გაგება, რათა მოქმედება ყოველთვის ადამიანის განზრახვას შეესაბამებოდეს. Xiyue Intelligence ავითარებს Duplex Reasoning-ის ახალი პარადიგმის ემბოდიურ საბაზისო მოდელს, რომლის მიზანია რობოტის ინტერაქციისა და მოქმედების ინტეგრაციის განხორციელება.
ცაი გოსიანმა კი AI სათვალეების პრაქტიკიდან გამომდინარე ხაზი გაუსვა, რომ დიალოგის გამოცდილება AI პორტატული მოწყობილობების ძირითადი კონკურენტუნარიანობაა. მან აღნიშნა, რომ რაც არ უნდა ძლიერი იყოს ტექნიკა და მის უკან არსებული AI შესაძლებლობები, თუ დიალოგი საკმარისად ბუნებრივი არ არის, მომხმარებლის გამოცდილებაზე ეს პირდაპირ აისახება. მომავალში AI პორტატულ მოწყობილობებს დასჭირდება დაბალი დაყოვნების, სტაბილური რეალურ დროში ინტერაქცია, ასევე სემანტიკისა და გრძელვადიანი კონტექსტის გაგება, რათა მომხმარებელმა თანდათან აღარ იგრძნოს, რომ AI-ს ესაუბრება. მან ასევე გააზიარა Rokid-ის AI ასისტენტის მიერ Agora-ს RTC არხის სერვისის გამოყენების პრაქტიკა და გამოთქვა რწმენა, რომ AI სათვალეები AI ეპოქის მნიშვნელოვანი პირადი შესვლის წერტილი გახდება.
საწარმოო აპლიკაციების სცენარებში გენ სიანლეიმ აღნიშნა, რომ AI ხმოვანმა ოპერატორმა საიმედო ბიზნეს მიწოდებისთვის უნდა გადაჭრას დაყოვნების, შეწყვეტის დროისა და ჰუმანიზაციის პრობლემები, სადაც დაყოვნებამ შეიძლება პირდაპირ გავლენა მოახდინოს ამოცანის შედეგზე. To B მარკეტინგისთვის AI-ს ასევე სჭირდება ინდუსტრიულ ცოდნის სისტემასთან და ადამიანურ თანამშრომლობასთან შერწყმა, რათა უკეთ უზრუნველყოს ბიზნეს შედეგი. ვუ კანმა კი AI რეკრუტინგის პრაქტიკის საფუძველზე აღნიშნა, რომ დიალოგურ AI-ს შეუძლია დაეხმაროს რეკრუტინგის ბიზნესს მასშტაბურად მიაღწიოს კანდიდატებს, გაზარდოს მომსახურების ეფექტურობა და არა უბრალოდ შეცვალოს ადამიანური შრომა. ბ
