Le 23 octobre, la conférence iRTE2026 sur l'intelligence en temps réel s'est tenue à Pékin. Zhao Bin, fondateur et CEO de Shengwang, a prononcé un discours intitulé « Dialogue avec l'AGI : le prochain chapitre de l'interaction en temps réel » lors du forum principal, revenant sur les changements clés de l'année écoulée en matière d'interaction en temps réel, d'IA conversationnelle et d'infrastructure sous-jacente, et a proposé un cadre de « cinq niveaux de capacité de dialogue », esquissant le parcours évolutif de l'IA conversationnelle, depuis la réponse de base vers la compréhension profonde et la communication relationnelle.
Selon Zhao Bin, à mesure que l'IA passe de la réponse à des questions à une communication continue, à la compréhension du contexte et à l'exécution de tâches, l'objet de l'interaction en temps réel s'étend des personnes aux personnes et aux Agents. Le rôle de la technologie d'interaction en temps réel s'étend également : elle ne doit pas seulement rendre la transmission d'informations plus stable et plus fluide, mais aussi fournir un support en temps réel à la perception, à la compréhension, à l'expression et à l'action de l'IA.
De « une question, une réponse » à une communication relationnelle profonde : les cinq niveaux d'évolution du dialogue AGI
Selon Zhao Bin, les progrès de l'IA conversationnelle ne devraient pas être mesurés uniquement par la vitesse de réponse ou le naturel du langage. Plus important encore, il s'agit de savoir si elle peut comprendre l'intention, la situation et la relation de son interlocuteur, s'exprimer de manière appropriée dans des scénarios complexes et former progressivement une compréhension à long terme et approfondie.
Autour de ce jugement, Zhao Bin a proposé dans son discours un cadre de « cinq niveaux de capacité de dialogue », divisant la capacité de dialogue en cinq niveaux :
L1, expression basée sur son propre point de vue : centrée sur l'expression de soi et la continuation passive, réalisant « une question, une réponse ».
L2 : expression basée sur les régularités de l'interaction : passant de la réponse passive à l'expression proactive, rendant le dialogue plus naturel et plus cohérent.
L3 : communication basée sur la cognition individuelle : comprendre l'identité, l'intention et la situation d'un individu, pour une communication adaptée à chacun.
L4 : communication basée sur la cognition collective : comprendre les relations sociales et les différences de rôles, s'adapter à des scénarios de communication complexes à plusieurs.
L5 : communication basée sur une relation profonde : comprendre le contexte à long terme et l'évolution des relations, former une compréhension plus profonde et une connivence de pensée, faisant passer la communication de la compréhension du moment à la compréhension d'une personne.
Ces cinq niveaux révèlent non seulement le renforcement progressif de la technologie de dialogue, mais aussi l'évolution de la relation entre l'IA et l'humain : de l'accomplissement d'un cycle de questions-réponses, à la compréhension d'une personne, puis à la compréhension des relations entre les personnes, pour finalement former une communication profonde à travers le temps et les contextes.
Zhao Bin a souligné que l'IA conversationnelle évolue d'une interaction passive précoce vers un dialogue full-duplex plus proactif et plus naturel, et commence à tenter de comprendre la personnalité, la situation, les émotions et les relations des personnes. Pour l'avenir, l'IA doit encore franchir les barrières de la répartition des rôles et de l'ordre de communication dans des scénarios sociaux complexes, et comprendre plus profondément le contexte accumulé à long terme par un individu. C'est également une direction de développement importante du dialogue AGI : l'IA peut non seulement comprendre une phrase, mais aussi comprendre la véritable intention d'une personne en combinant le contexte complet, et y répondre de manière appropriée.
Real-Time AI Infra : l'infrastructure clé qui soutient le dialogue AGI
L'évolution continue des capacités de dialogue impose également des exigences plus élevées aux technologies sous-jacentes. Zhao Bin a mentionné dans son discours que, au cours de l'année écoulée, l'adoption approfondie de la technologie WebRTC par des entreprises comme OpenAI a favorisé une attention et une application plus larges de la technologie d'interaction en temps réel dans le domaine de l'IA conversationnelle. À mesure que l'IA passe du questions-réponses en un seul tour à une interaction continue, l'infrastructure d'interaction en temps réel devient un support technique important reliant les modèles, les frameworks d'exécution des agents et les utilisateurs.
Par rapport aux applications d'IA traditionnelles, les scénarios de dialogue imposent des exigences plus strictes en matière de latence, de stabilité et d'interaction bidirectionnelle. L'IA doit recevoir les entrées de l'utilisateur tout en comprenant le contexte et en organisant sa réponse, et doit si nécessaire faire face à tout moment aux interruptions, tout en appelant continuellement des outils et en faisant avancer les tâches. Toute latence notable à n'importe quel maillon peut nuire au naturel de la conversation, voire affecter la capacité à accomplir la tâche.
Pour répondre à ces besoins, Zhao Bin a présenté l'orientation de l'infrastructure destinée à l'interaction intelligente en temps réel : grâce à un réseau de transmission mondial en temps réel, à l'inférence conjointe distribuée cloud-bord-terminal, à l'orchestration en temps réel et aux capacités d'interaction full-duplex, permettre aux modèles et aux Agents de collaborer en continu dans des scénarios réels. Le moteur d'IA conversationnelle de Shengwang est également centré sur l'interaction full-duplex, reliant les modèles, les frameworks d'exécution des Agents et les utilisateurs, pour soutenir une expérience de dialogue en temps réel stable et synchronisée.
Parallèlement, Shengwang ne cesse de perfectionner, à l'intention des développeurs, les outils et kits de développement d'IA conversationnelle, en combinant SDK, Skills, outils CLI et Recipes, pour aider les développeurs à construire plus efficacement des Agents dotés d'une logique complète et de capacités d'exécution.
Du service client à l'éducation, en passant par l'accompagnement par l'IA et les objets connectés intelligents, Zhao Bin estime que l'IA conversationnelle entre dans toujours plus de scénarios réels. La capacité de l'IA à créer véritablement de la valeur ne dépend pas seulement de sa capacité à « parler », mais aussi de sa capacité à comprendre les besoins, à communiquer naturellement et à accomplir continuellement des tâches. La technologie d'interaction en temps réel jouera un rôle de plus en plus important dans ce processus.
Ensuite, Andrey Norkin, architecte en chef de NVIDIA et coprésident du groupe de travail sur le codage vidéo de l'AOMedia, a présenté un discours sur la technologie de codage vidéo AV2.
Table ronde : l'agent personnel deviendra-t-il la prochaine porte d'entrée personnelle ?
Dans la première table ronde animée par Tony Wang, cofondateur de Shengwang, Eugene Wei, chef de produit en médias interactifs et blogueur tech, Pan Luan, créateur de médias tech indépendants et animateur du podcast « Luan Fan Shu », et Hua Jianxin, entrepreneur en matériel AIoT et créateur de médias spécialisés dans l'IA embarquée, ont discuté du thème « L'agent personnel : du nouvel outil à la nouvelle porte d'entrée ? ».
Du téléphone aux lunettes, aux écouteurs et à davantage d'appareils portables, l'agent personnel suscite à nouveau une réflexion dans le secteur sur la prochaine porte d'entrée de l'interaction homme-machine. Pan Luan estime que l'agent personnel pourrait apporter un changement de paradigme : la valeur des produits d'IA passe de la conquête de l'attention de l'utilisateur à l'aide apportée à l'utilisateur pour accomplir ses tâches plus efficacement. À l'avenir, l'agent personnel ne devra pas seulement répondre à des instructions explicites, mais aussi prendre activement en charge des tâches, aidant l'utilisateur à traiter les affaires dont l'objectif est clair mais qui ne méritent pas d'y consacrer beaucoup de temps.
Concernant le matériel personnel de nouvelle génération, Hua Jianxin avance que la future porte d'entrée ne sera pas nécessairement monopolisée par un seul type d'appareil ; les lunettes, les écouteurs et d'autres matériels capables de percevoir l'environnement et d'exécuter des tâches ont tous leur chance. Selon lui, l'agent personnel doit non seulement comprendre l'utilisateur, mais aussi percevoir en continu le monde réel et agir par le biais d'appareils physiques, ce qui ouvre de nouveaux espaces de développement à différentes formes de matériel.
Eugene Wei oriente quant à lui la discussion vers la valeur du « contexte » : la capacité de l'agent personnel à comprendre véritablement les intérêts, l'historique des communications et les relations sociales de l'utilisateur déterminera s'il peut devenir une porte d'entrée personnelle de valeur. Pour évaluer si une nouvelle porte d'entrée est viable, il propose également de s'intéresser aux interactions quotidiennes entre l'utilisateur et l'Agent, et à la question de savoir si c'est davantage l'utilisateur qui sollicite l'Agent ou l'Agent qui sollicite l'utilisateur. La table ronde a ainsi approfondi la discussion sur la valeur produit de l'agent personnel, les formes matérielles et les futurs critères d'évaluation.
Table ronde : de « savoir discuter » à « savoir agir », comment l'IA conversationnelle crée-t-elle une valeur réelle ?
Dans la deuxième table ronde animée par Cui Bo, directeur commercial de Shengwang, Chen Wei, fondateur de Xieyue Intelligence, Geng Xianglei, fondateur de Guanke Technology, Cai Guoxiang, cofondateur de Rokid Leqi et responsable de l'écosystème, ainsi que Wu Kan, CEO de Titan Qiming, ont exploré, à partir de différents scénarios tels que l'intelligence incarnée, les objets connectés intelligents, le marketing d'entreprise et le recrutement par l'IA, l'IA conversationnelle : moteur de l'interaction de nouvelle génération entre l'humain et l'Agent.
Chen Wei estime que la clé de l'intelligence incarnée est de transformer véritablement l'intention humaine en action du robot. Le robot doit non seulement comprendre les instructions vocales, mais aussi fusionner des informations multimodales telles que la vision, la voix et son propre état, pour accomplir la perception, la planification et la décision de l'environnement physique, et ajuster en continu l'exécution des tâches en fonction des changements de l'environnement après l'action. Plutôt que d'accomplir des tâches de démonstration prédéfinies, il est plus important pour le robot de comprendre en continu les besoins réels des personnes dans un environnement ouvert, afin que l'action reste toujours alignée sur l'intention humaine. Xieyue Intelligence développe un nouveau modèle de base incarné selon un paradigme inédit, Duplex Reasoning, visant à réaliser l'intégration de l'interaction et de l'action du robot.
Cai Guoxiang, partant de la pratique des lunettes d'IA, souligne que l'expérience de dialogue est le cœur de la compétitivité des appareils portables d'IA. Il indique que, quelle que soit la puissance du matériel et des capacités d'IA sous-jacentes, si le dialogue n'est pas suffisamment naturel, l'expérience utilisateur en sera directement affectée. À l'avenir, les appareils portables d'IA devront, grâce à une interaction en temps réel à faible latence et stable, ainsi qu'à la compréhension de la sémantique et du contexte à long terme, faire en sorte que l'utilisateur cesse progressivement de sentir qu'il dialogue avec une IA. Il a également partagé la pratique de l'assistant IA de Rokid Leqi adoptant le service de liaison RTC de Shengwang, et se montre optimiste quant au fait que les lunettes d'IA deviendront une porte d'entrée personnelle importante à l'ère de l'IA.
Dans les scénarios d'application d'entreprise, Geng Xianglei souligne que, pour assurer une prestation de services fiable, les agents vocaux d'IA doivent résoudre des problèmes tels que la latence, le moment des interruptions et l'humanisation, la latence pouvant même affecter directement le résultat de la tâche. Pour le marketing B2B, l'IA doit également s'intégrer au système de connaissances du secteur et à la collaboration humaine pour mieux garantir les résultats commerciaux. Wu Kan, s'appuyant sur la pratique du recrutement par l'IA, indique que l'IA conversationnelle peut aider le recrutement à atteindre les candidats à grande échelle et à améliorer l'efficacité du service, plutôt que de simplement remplacer l'humain. Pour former une boucle métier complète, il faut encore accumuler des données sectorielles, structurer les activités en plaçant le candidat au centre, aider l'Agent à construire une mémoire à long terme, et, autour d'événements métier réels tels que l'entretien et l'embauche, aider l'IA à évaluer et optimiser en continu la qualité du service.
Les partages des quatre invités montrent que, si les exigences des différents secteurs à l'égard de l'IA conversationnelle diffèrent, elles convergent toutes vers une même direction : l'IA doit non seulement pouvoir communiquer, mais aussi comprendre des scénarios réels, s'intégrer aux processus métier existants et accomplir les tâches de manière fiable. Avec le développement continu de l'interaction en temps réel, de la perception multimodale et des capacités d'exécution des Agents, l'IA conversationnelle devrait passer du statut d'outil d'interaction à celui de force importante reliant le monde numérique et le monde physique et favorisant le fonctionnement des activités.
De l'interaction en temps réel à l'intelligence en temps réel, ouvrir le prochain chapitre du dialogue AGI
Du cadre des cinq niveaux de capacité de dialogue proposé par Zhao Bin aux discussions des deux tables rondes sur l'agent personnel et le déploiement dans des activités réelles, le forum principal d'iRTE2026 présente une tendance industrielle claire : la concurrence dans l'IA conversationnelle s'étend des capacités des modèles de base à la compréhension du contexte, à l'interaction en temps réel, à la cognition des relations complexes et à l'exécution des tâches.
Lorsque l'IA ne se limite plus à répondre passivement, mais peut comprendre en continu les personnes, participer activement aux échanges et accomplir des tâches dans des scénarios réels, la technologie d'interaction en temps réel assumera également une mission plus profonde.
Tournée vers la prochaine étape du dialogue AGI, Shengwang continuera d'explorer, avec les développeurs et les partenaires du secteur, la fusion de l'interaction en temps réel et de l'IA générative, afin de promouvoir une expérience d'interaction en temps réel plus naturelle et plus efficace entre les personnes, ainsi qu'entre les personnes et les Agents.
