วันที่ 23 ตุลาคม การประชุม iRTE2026 Real-Time Intelligent Conference จัดขึ้นที่กรุงปักกิ่ง Zhao Bin ผู้ก่อตั้งและ CEO ของ Agora ได้กล่าวสุนทรพจน์ในหัวข้อ "บทสนทนากับ AGI: บทถัดไปของปฏิสัมพันธ์แบบเรียลไทม์" ในการประชุมหลัก โดยทบทวนการเปลี่ยนแปลงสำคัญในรอบปีที่ผ่านมาของปฏิสัมพันธ์แบบเรียลไทม์ AI เชิงสนทนา และโครงสร้างพื้นฐานระดับล่าง และได้เสนอกรอบ "ความสามารถในการสนทนา 5 ระดับ" เพื่อวาดเส้นทางการพัฒนาของ AI เชิงสนทนาจากการตอบสนองพื้นฐานไปสู่ความเข้าใจเชิงลึกและการสื่อสารเชิงความสัมพันธ์
Zhao Bin เชื่อว่า เมื่อ AI พัฒนาจากการตอบคำถามไปสู่การสื่อสารอย่างต่อเนื่อง การเข้าใจบริบท และการดำเนินงาน เป้าหมายของปฏิสัมพันธ์แบบเรียลไทม์กำลังขยายจากคนสู่คนไปสู่คนกับ Agent บทบาทของเทคโนโลยีปฏิสัมพันธ์แบบเรียลไทม์จึงขยายออกไปด้วย: ไม่เพียงแต่ทำให้การส่งข้อมูลมีเสถียรภาพและลื่นไหลมากขึ้นเท่านั้น แต่ยังต้องให้การสนับสนุนแบบเรียลไทม์แก่การรับรู้ ความเข้าใจ การแสดงออก และการดำเนินการของ AI
จาก "ถามคำตอบคำ" สู่การสื่อสารเชิงความสัมพันธ์ระดับลึก: วิวัฒนาการ 5 ระดับของConversational AGI
ในมุมมองของ Zhao Bin ความก้าวหน้าของ AI เชิงสนทนาไม่ควรวัดด้วยความเร็วในการตอบหรือความเป็นธรรมชาติของภาษาเท่านั้น สิ่งที่สำคัญกว่าคือ它能ไม่สามารถเข้าใจเจตนา สถานการณ์ และความสัมพันธ์ของคู่สนทนา สามารถแสดงออกอย่างเหมาะสมในสถานการณ์ที่ซับซ้อน และค่อยๆ สร้างความเข้าใจระยะยาวและเชิงลึกได้หรือไม่
จากมุมมองนี้ Zhao Bin ได้เสนอกรอบ "ความสามารถในการสนทนา 5 ระดับ" ในสุนทรพจน์ โดยแบ่งความสามารถในการสนทนาออกเป็น 5 ระดับ:
L1 การแสดงออกจากมุมมองของตนเอง: เน้นการแสดงออกตนเองและการตอบสนองแบบรับเชิงรับ เป็นการ "ถามคำตอบคำ"
L2: การแสดงออกตามรูปแบบปฏิสัมพันธ์: จาก回应เชิงรับไปสู่การแสดงออกเชิงรุก ทำให้การสนทนาเป็นธรรมชาติและต่อเนื่องมากขึ้น
L3: การสื่อสารตามการรับรู้ของปัจเจกบุคคล: เข้าใจอัตลักษณ์ เจตนา และสถานการณ์ของปัจเจกบุคคล ทำให้การสื่อสารแตกต่างกันไปตามบุคคล
L4: การสื่อสารตามการรับรู้ของกลุ่ม: เข้าใจความสัมพันธ์ทางสังคมและความแตกต่างของบทบาท ปรับตัวเข้ากับสถานการณ์การสื่อสารแบบหลายคนที่ซับซ้อน
L5: การสื่อสารตามความสัมพันธ์ระดับลึก: เข้าใจบริบทระยะยาวและการเปลี่ยนแปลงของความสัมพันธ์ สร้างความเข้าใจและความสอดคล้องทางความคิดในระดับที่ลึกยิ่งขึ้น ทำให้การสื่อสารจากการเข้าใจปัจจุบันไปสู่การเข้าใจคนคนหนึ่ง
ทั้ง 5 ระดับนี้ไม่ได้แสดงเพียงการเสริมพลังขึ้นทีละขั้นของเทคโนโลยีการสนทนาเท่านั้น แต่ยังแสดงถึงการเปลี่ยนแปลงของความสัมพันธ์ระหว่าง AI กับมนุษย์: จากการ完成รอบถามตอบ ไปสู่การเข้าใจคนคนหนึ่ง จากนั้นไปสู่การเข้าใจความสัมพันธ์ระหว่างคนกับคน และในที่สุดก็สร้างการสื่อสารเชิงลึกที่跨越เวลาและสถานการณ์
Zhao Bin ชี้ให้เห็นว่า AI เชิงสนทนากำลังพัฒนาจากการโต้ตอบแบบรับเชิงรับในระยะแรก ไปสู่การสนทนาแบบ full-duplex ที่เป็นเชิงรุกและเป็นธรรมชาติมากขึ้น และเริ่มพยายามเข้าใจบุคลิกภาพ สถานการณ์ อารมณ์ และความสัมพันธ์ของบุคคล เมื่อมองไปยังอนาคต AI ยังต้อง突破การแบ่งบทบาทและระเบียบการสื่อสารในสถานการณ์ทางสังคมที่ซับซ้อน และเข้าใจบริบทที่สะสมในระยะยาวของบุคคลได้ดียิ่งขึ้น นี่ก็เป็นทิศทางการพัฒนาที่สำคัญของ Conversational AGI เช่นกัน: AI ไม่เพียงสามารถ听懂ประโยคหนึ่งประโยค แต่ยังสามารถเข้าใจเจตนาที่แท้จริงของบุคคลโดยผสานบริบทที่สมบูรณ์ และตอบสนองได้อย่างเหมาะสม
Real-Time AI Infra: โครงสร้างพื้นฐานสำคัญที่สนับสนุน Conversational AGI
การพัฒนาอย่างต่อเนื่องของความสามารถในการสนทนายังได้提出了ข้อกำหนดที่สูงขึ้นต่อเทคโนโลยีระดับล่าง Zhao Bin กล่าวในสุนทรพจน์ว่า ในรอบปีที่ผ่านมา การนำเทคโนโลยี WebRTC มาใช้อย่างลึกซึ้งของบริษัทต่างๆ เช่น OpenAI ได้ผลักดันให้เทคโนโลยีปฏิสัมพันธ์แบบเรียลไทม์ได้รับความสนใจและการประยุกต์ใช้ที่กว้างขวางยิ่งขึ้นในด้าน AI เชิงสนทนา เมื่อ AI พัฒนาจากการถามตอบแบบรอบเดียวไปสู่การโต้ตอบอย่างต่อเนื่อง โครงสร้างพื้นฐานปฏิสัมพันธ์แบบเรียลไทม์กำลังกลายเป็นการสนับสนุนทางเทคโนโลยีที่สำคัญในการเชื่อมโยงโมเดล กรอบการทำงานของ Agent และผู้ใช้
เมื่อเทียบกับการประยุกต์ใช้ AI แบบดั้งเดิม สถานการณ์การสนทนามีข้อกำหนดที่เข้มงวดกว่าในด้านความหน่วง เสถียรภาพ และการโต้ตอบสองทาง AI ต้องรับข้อมูลของผู้ใช้ไปพร้อมกับเข้าใจบริบท จัดระเบียบการตอบสนอง และเมื่อจำเป็นต้องพร้อมรับมือกับการขัดจังหวะได้ทุกเมื่อ รวมทั้งเรียกใช้เครื่องมือและดำเนินงานอย่างต่อเนื่อง หากมีข้อใดข้อหนึ่งมีความหน่วงอย่างชัดเจน อาจทำลายความเป็นธรรมชาติของการสนทนา และอาจส่งผลต่อความสามารถในการ完成งาน
เพื่อสนับสนุนความต้องการเหล่านี้ Zhao Bin ได้แนะนำทิศทางโครงสร้างพื้นฐานสำหรับปฏิสัมพันธ์อัจฉริยะแบบเรียลไทม์: ผ่านเครือข่ายรับส่งแบบเรียลไทม์ทั่วโลก การอนุมานร่วมแบบกระจายระหว่างคลาวด์ ขอบ และอุปกรณ์ ความสามารถในการจัดลำดับแบบเรียลไทม์และการโต้ตอบแบบ full-duplex ทำให้โมเดลและ Agent สามารถทำงานร่วมกันอย่างต่อเนื่องในสถานการณ์จริง Agora Conversational AI Engine ก็ใช้การโต้ตอบแบบ full-duplex เป็นแกนหลัก เชื่อมโยงโมเดล กรอบการทำงานของ Agent และผู้ใช้ สนับสนุนประสบการณ์การสนทนาแบบเรียลไทม์ที่เสถียรและซิงโครไนซ์
ในขณะเดียวกัน Agora ยังคงพัฒนาเครื่องมือและชุดพัฒนาสำหรับ AI เชิงสนทนาสำหรับนักพัฒนาอย่างต่อเนื่อง โดยผสานความสามารถต่างๆ เช่น SDK, Skills, เครื่องมือ CLI และ Recipes เพื่อช่วยให้นักพัฒนาสร้าง Agent ที่มีความสามารถด้านตรรกะและการดำเนินการที่สมบูรณ์ได้อย่างมีประสิทธิภาพมากขึ้น
จากบริการลูกค้า การศึกษา ไปจนถึง AI Companion และอุปกรณ์สวมใส่ inteligent Zhao Bin เชื่อว่า AI เชิงสนทนากำลังเข้าสู่สถานการณ์จริงมากขึ้นเรื่อยๆว่า AI จะสร้างคุณค่าได้จริงหรือไม่ ไม่ได้ขึ้นอยู่กับว่าโมเดล "พูดได้" หรือไม่เท่านั้น แต่ยังขึ้นอยู่กับว่ามันสามารถเข้าใจความต้องการ สื่อสารอย่างเป็นธรรมชาติ และ完成งานอย่างต่อเนื่องได้หรือไม่ เทคโนโลยีปฏิสัมพันธ์แบบเรียลไทม์จะมีบทบาทสำคัญมากขึ้นเรื่อยๆ ในกระบวนการนี้
จากนั้น Andrey Norkin หัวหน้าสถาปนิกของ NVIDIA และประธานร่วมของกลุ่มงานวิจัยวิดีโอโคเดกของ AOMedia ได้นำเสนอสุนทรพจน์เกี่ยวกับเทคโนโลยีการเข้ารหัสวิดีโอ AV2
การเสวนาแบบวงกลม: Personal Agent จะกลายเป็นประตูเข้าส่วนบุคคลแห่งยุคถัดไปหรือไม่?
ในการเสวนาวงกลมครั้งแรกที่ดำเนินรายการโดย Tony Wang ผู้ร่วมก่อตั้ง Agora นั้น Eugene Wei ผู้จัดการผลิตภัณฑ์สื่อเชิงโต้ตอบและบล็อกเกอร์เทคโนโลยี Pan Luan ผู้สื่อข่าวเทคโนโลยีและเจ้าของพอดแคสต์ "乱翻书" และ Hua Jianxin ผู้ประกอบการฮาร์ดแวร์ AIoT และเจ้าของสื่อ AI ฝั่งอุปกรณ์ ได้ร่วมDiscussในหัวข้อ "Personal Agent: จากเครื่องมือใหม่สู่ประตูเข้าใหม่?"
จากโทรศัพท์ แว่นตา หูฟัง ไปจนถึงอุปกรณ์พกพาอื่นๆ อีกมากมาย Personal Agent กำลังกระตุ้นให้อุตสาหกรรมกลับมาคิดถึงประตูเข้าของปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์แห่งยุคถัดไปอีกครั้ง Pan Luan เชื่อว่า Personal Agent อาจนำมาซึ่งการเปลี่ยนแปลงกระบวนทัศน์: คุณค่าของผลิตภัณฑ์ AI กำลังเปลี่ยนจากการแย่งชิงความสนใจของผู้ใช้ไปสู่การช่วยให้ผู้ใช้完成งานได้อย่างมีประสิทธิภาพมากขึ้น Personal Agent ในอนาคตไม่เพียงต้องตอบสนองต่อคำสั่งที่ชัดเจนเท่านั้น แต่ยังควรรับผิดชอบงานเชิงรุก ช่วยให้ผู้ใช้จัดการเรื่องที่มีเป้าหมายชัดเจนแต่ไม่คุ้มค่าที่จะลงทุนเวลามาก
สำหรับฮาร์ดแวร์ส่วนบุคคลแห่งยุคถัดไป Hua Jianxin เสนอว่าประตูเข้าในอนาคตอาจไม่จำเป็นต้องถูกครอบครองโดยอุปกรณ์ชนิดใดชนิดหนึ่งเท่านั้น แว่นตา หูฟัง และฮาร์ดแวร์อื่นๆ ที่สามารถรับรู้สภาพแวดล้อมและดำเนินงานได้ต่างก็มีโอกาส เขาเชื่อว่า Personal Agent ไม่เพียงต้องเข้าใจผู้ใช้เท่านั้น แต่ยังต้องรับรู้โลกจริงอย่างต่อเนื่องผ่านอุปกรณ์ทางกายภาพและดำเนินการ ซึ่งนำมาซึ่งพื้นที่การพัฒนาใหม่สำหรับฮาร์ดแวร์ในรูปแบบต่างๆ
Eugene Wei ได้นำการอภิปรายไปสู่คุณค่าของ "บริบท": ว่า Personal Agent จะสามารถเข้าใจความสนใจ ประวัติการสื่อสาร และความสัมพันธ์ทางสังคมของผู้ใช้ได้จริงหรือไม่ จะส่งผลต่อว่ามันจะกลายเป็นประตูเข้าส่วนบุคคลที่มีคุณค่าหรือไม่ ในการวัดว่าประตูเข้าใหม่จะเกิดขึ้นได้หรือไม่ เขายังเสนอว่าสามารถให้ความสนใจกับการโต้ตอบระหว่างผู้ใช้กับ Agent ในแต่ละวัน และดูว่าผู้ใช้เป็นฝ่ายหา Agent มากกว่าหรือ Agent เป็นฝ่ายหาผู้ใช้มากกว่า การเสวนาจึงได้อภิปรายเพิ่มเติมเกี่ยวกับคุณค่าของผลิตภัณฑ์ รูปแบบฮาร์ดแวร์ และมาตรวัดในอนาคตของ Personal Agent
การเสวนาแบบวงกลม: จาก "พูดคุยได้" สู่ "ทำงานได้" AI เชิงสนทนาจะสร้างคุณค่าที่แท้จริงได้อย่างไร?
ในการเสวนาวงกลมครั้งที่สองที่ดำเนินรายการโดย Cui Bo ประธานฝ่ายพาณิชย์ของ Agora Chen Wei ผู้ก่อตั้ง Xiezhi Intelligent Geng Xianglei ผู้ก่อตั้ง Guanke Technology Cai Guoxiang ผู้ร่วมก่อตั้งและหัวหน้าฝ่ายระบบนิเวศของ Rokid และ Wu Kan CEO ของ Titan Qiming ได้ร่วมDiscussจากสถานการณ์ที่แตกต่างกัน เช่น ปัญญาประดิษฐ์แบบฝังตัว อุปกรณ์สวมใส่ inteligent การตลาดองค์กร และการรับสมัครงานด้วย AI เกี่ยวกับ AI เชิงสนทนา: ขับเคลื่อนปฏิสัมพันธ์ระหว่างมนุษย์กับ Agent แห่งยุคถัดไป
Chen Wei เชื่อว่ากุญแจสำคัญของปัญญาประดิษฐ์แบบฝังตัวคือการทำให้เจตนาของมนุษย์แปลงเป็นการกระทำของหุ่นยนต์ได้จริง หุ่นยนต์ไม่เพียงต้องเข้าใจคำสั่งเสียงเท่านั้น แต่ยังต้องผสานข้อมูลหลายรูปแบบ เช่น การมองเห็น เสียง และสถานะของตนเอง เพื่อ完成การรับรู้ การวางแผน และการตัดสินใจเกี่ยวกับสภาพแวดล้อมทางกายภาพ และปรับการดำเนินงานอย่างต่อเนื่องตามการเปลี่ยนแปลงของสภาพแวดล้อมหลังการกระทำ เมื่อเทียบกับการ完成งานสาธิตที่ตั้งไว้ล่วงหน้า หุ่นยนต์ที่สำคัญกว่าคือการเข้าใจความต้องการที่แท้จริงของมนุษย์อย่างต่อเนื่องในสภาพแวดล้อมเปิด ทำให้การกระทำสอดคล้องกับเจตนาของมนุษย์เสมอ Xiezhi Intelligent กำลังพัฒนาโมเดลพื้นฐานแบบฝังตัวในกระบวนทัศน์ใหม่ Duplex Reasoning ซึ่งมุ่งหวังที่จะบรรลุการบูรณาการระหว่างการโต้ตอบและการกระทำของหุ่นยนต์
Cai Guoxiang เริ่มจากประสบการณ์จริงของแว่นตา AI เน้นว่าประสบการณ์การสนทนาเป็นความสามารถในการแข่งขันหลักของอุปกรณ์สวมใส่ AI เขากล่าวว่า ไม่ว่าฮาร์ดแวร์และความสามารถ AI เบื้องหลังจะทรงพลังเพียงใด หากการสนทนาไม่เป็นธรรมชาติเพียงพอ ประสบการณ์ของผู้ใช้ก็จะได้รับผลกระทบโดยตรง ในอนาคต อุปกรณ์สวมใส่ AI จำเป็นต้องอาศัยการโต้ตอบแบบเรียลไทม์ที่มีความหน่วงต่ำและเสถียร รวมถึงความเข้าใจความหมายและบริบทระยะยาว ทำให้ผู้ใช้ค่อยๆ รู้สึกว่าตนไม่ได้กำลังสนทนากับ AI เขายังแบ่งปันประสบการณ์ที่ผู้ช่วย AI ของ Rokid ใช้บริการลิงก์ RTC ของ Agora และมองว่าแว่นตา AI จะกลายเป็นประตูเข้าส่วนบุคคลที่สำคัญในยุค AI
ในสถานการณ์การประยุกต์ใช้ในองค์กร Geng Xianglei ชี้ให้เห็นว่า AI ผู้ช่วยเสียงต้องแก้ปัญหาความหน่วง จังหวะการขัดจังหวะ และความเป็นมนุษย์ จึงจะสามารถส่งมอบธุรกิจได้อย่างน่าเชื่อถือ ซึ่งความหน่วงอาจส่งผลโดยตรงต่อผลลัพธ์ของงาน สำหรับการตลาดแบบ To B AI ยังต้องผสานกับระบบความรู้ในอุตสาหกรรมและการทำงานร่วมกับมนุษย์ จึงจะสามารถรับประกันผลลัพธ์ทางธุรกิจได้ดียิ่งขึ้น Wu Kan กล่าวโดยอิงจากประสบการณ์จริงในการรับสมัครงานด้วย AI ว่า AI เชิงสนทนาสามารถช่วยให้ธุรกิจรับสมัครงานเข้าถึงผู้สมัครได้ในวงกว้างและเพิ่มประสิทธิภาพการบริการ แทนที่จะทดแทนแรงงานคนอย่างง่ายๆ การจะสร้างวงจรธุรกิจที่สมบูรณ์ยังต้องสะสมข้อมูลอุตสาหกรรม จัดระเบียบธุรกิจโดยมีผู้สมัครเป็นศูนย์กลาง ช่วยให้ Agent สร้างความจำระยะยาว และ围绕เหตุการณ์ทางธุรกิจจริง เช่น การสัมภาษณ์และการเข้าทำงาน ช่วยให้ AI ประเมินและปรับปรุงคุณภาพการบริการอย่างต่อเนื่อง
จากการแบ่งปันของวิทยากรทั้งสี่ท่าน จะเห็นได้ว่าความต้องการต่อ AI เชิงสนทนาในอุตสาหกรรมต่างๆ แม้จะแตกต่างกัน แต่ก็ชี้ไปในทิศทางเดียวกัน: AI ไม่เพียงต้องสื่อสารได้เท่านั้น แต่ยังต้องเข้าใจสถานการณ์จริง ผสานเข้ากับกระบวนการธุรกิจที่มีอยู่ และ完成งานได้อย่างน่าเชื่อถือ เมื่อปฏิสัมพันธ์แบบเรียลไทม์ การรับรู้หลายรูปแบบ และความสามารถในการดำเนินการของ Agent พัฒนาอย่างต่อเนื่อง AI เชิงสนทนามีแนวโน้มที่จะพัฒนาจากเครื่องมือเชิงโต้ตอบไปสู่พลังสำคัญที่เชื่อมโยงโลกดิจิทัลกับโลกกายภาพและขับเคลื่อนการดำเนินธุรกิจ
จากปฏิสัมพันธ์แบบเรียลไทม์สู่ปัญญาแบบเรียลไทม์ เปิดบทถัดไปของ Conversational AGI
จากกรอบความสามารถในการสนทนา 5 ระดับที่ Zhao Bin เสนอ ไปจนถึงการอภิปรายในการเสวนาวงกลมสองครั้งเกี่ยวกับ Personal Agent และการนำไปใช้ในธุรกิจจริง การประชุมหลัก iRTE2026 ได้นำเสนอแนวโน้มอุตสาหกรรมที่ชัดเจน: การแข่งขันของ AI เชิงสนทนากำลังขยายจากความสามารถของโมเดลพื้นฐานไปสู่ความเข้าใจบริบท การโต้ตอบแบบเรียลไทม์ การรับรู้ความสัมพันธ์ที่ซับซ้อน และการดำเนินงาน
เมื่อ AI ไม่ได้จำกัดอยู่เพียงการตอบสนองเชิงรับเท่านั้น แต่สามารถเข้าใจมนุษย์อย่างต่อเนื่อง เข้าร่วมการสื่อสารเชิงรุก และ完成งานในสถานการณ์จริง เทคโนโลยีปฏิสัมพันธ์แบบเรียลไทม์ก็จะรับภารกิจที่ลึกซึ้งยิ่งขึ้น
เมื่อมองไปยังระยะถัดไปของ Conversational AGI Agora จะยังคงสำรวจการผสานรวมของปฏิสัมพันธ์แบบเรียลไทม์กับ Generative AI ร่วมกับนักพัฒนาและพันธมิตรในอุตสาหกรรม เพื่อขับเคลื่อนประสบการณ์ปฏิสัมพันธ์แบบเรียลไทม์ที่เป็นธรรมชาติและมีประสิทธิภาพยิ่งขึ้นระหว่างคนกับคน และคนกับ Agent
