23 अक्टूबर को, iRTE2026 रियल-टाइम इंटेलिजेंस कॉन्फ्रेंस बीजिंग में आयोजित हुई। Agora के संस्थापक और CEO झाओ बिन ने मुख्य मंच पर "AGI से संवाद: रियल-टाइम इंटरैक्शन का अगला अध्याय" शीर्षक से भाषण दिया, जिसमें उन्होंने पिछले एक वर्ष में रियल-टाइम इंटरैक्शन, संवादात्मक AI और बुनियादी ढांचे में हुए प्रमुख बदलावों की समीक्षा की, और "पाँच-स्तरीय संवाद क्षमता" ढाँचा प्रस्तुत किया, जो संवादात्मक AI के बुनियादी उत्तर से गहन समझ और संबंधपरक संचार की ओर विकास पथ को रेखांकित करता है।
झाओ बिन का मानना है कि जैसे-जैसे AI प्रश्नों का उत्तर देने से निरंतर संवाद, संदर्भ को समझने और कार्यों को निष्पादित करने की ओर बढ़ रहा है, रियल-टाइम इंटरैक्शन का विषय व्यक्ति से व्यक्ति तक से विस्तारित होकर व्यक्ति से Agent तक पहुँच रहा है। रियल-टाइम इंटरैक्शन तकनीक की भूमिका भी इसके साथ विस्तारित हो रही है: इसे न केवल सूचना संप्रेषण को अधिक स्थिर और सुगम बनाना है, बल्कि AI की धारणा, समझ, अभिव्यक्ति और कार्रवाई के लिए रियल-टाइम सहायता भी प्रदान करनी है।
"एक प्रश्न पूछो, एक उत्तर पाओ" से गहन संबंधपरक संचार तक: संवाद AGI का पाँच-स्तरीय विकास
झाओ बिन के दृष्टिकोण में, संवादात्मक AI की प्रगति को केवल उत्तर की गति और भाषा की सहजता से नहीं मापा जाना चाहिए। इससे भी अधिक महत्वपूर्ण यह है कि क्या यह संवाद के विषय की मंशा, स्थिति और संबंध को समझ सकता है, जटिल परिदृश्यों में उचित अभिव्यक्ति कर सकता है, और धीरे-धीरे दीर्घकालिक, गहन समझ विकसित कर सकता है।
इस निर्णय के आधार पर, झाओ बिन ने भाषण में "पाँच-स्तरीय संवाद क्षमता" ढाँचा प्रस्तुत किया, जो संवाद क्षमता को पाँच स्तरों में विभाजित करता है:
L1, स्वयं के दृष्टिकोण पर आधारित अभिव्यक्ति: मुख्य रूप से आत्म-अभिव्यक्ति और निष्क्रिय अनुक्रम पर आधारित, "एक प्रश्न पूछो, एक उत्तर दो" को साकार करना।
L2: इंटरैक्शन पैटर्न पर आधारित अभिव्यक्ति: निष्क्रिय प्रतिक्रिया से सक्रिय अभिव्यक्ति की ओर, संवाद को अधिक स्वाभाविक और सुसंगत बनाना।
L3: व्यक्तिगत संज्ञान पर आधारित संचार: व्यक्ति की पहचान, मंशा और स्थिति को समझना, व्यक्ति-विशिष्ट संचार साकार करना।
L4: समूह संज्ञान पर आधारित संचार: सामाजिक संबंधों और भूमिका भिन्नताओं को समझना, जटिल बहु-व्यक्ति संचार परिदृश्यों के अनुकूल होना।
L5: गहन संबंधों पर आधारित संचार: दीर्घकालिक संदर्भ और संबंधों के विकास को समझना, गहनतर समझ और विचारों की सहजता का निर्माण करना, संचार को वर्तमान को समझने से एक व्यक्ति को समझने की ओर ले जाना।
ये पाँच स्तर न केवल संवाद तकनीक की क्रमिक वृद्धि दर्शाते हैं, बल्कि AI और मनुष्य के बीच संबंधों का परिवर्तन भी दर्शाते हैं: एक दौर के प्रश्नोत्तर को पूरा करने से, एक व्यक्ति को समझने तक, और फिर व्यक्तियों के बीच संबंधों को समझने तक, अंततः समय और परिस्थिति से परे गहन संचार का निर्माण।
झाओ बिन ने बताया कि संवादात्मक AI प्रारंभिक निष्क्रिय अनुक्रम इंटरैक्शन से अधिक सक्रिय, अधिक स्वाभाविक पूर्ण-द्वैध संवाद की ओर विकसित हो रहा है, और मनुष्य के व्यक्तित्व, स्थिति, भावनाओं और संबंधों को समझने का प्रयास शुरू कर रहा है। भविष्य की ओर, AI को जटिल सामाजिक परिदृश्यों में भूमिका विभाजन और संचार व्यवस्था को तोड़ना होगा, और व्यक्ति के दीर्घकालिक संचित संदर्भ को और अधिक समझना होगा। यह संवाद AGI की महत्वपूर्ण विकास दिशा भी है: AI न केवल एक वाक्य सुन सके, बल्कि पूर्ण संदर्भ के साथ एक व्यक्ति की वास्तविक मंशा को समझ सके और उचित प्रतिक्रिया दे सके।
Real-Time AI Infra: संवाद AGI को सहारा देने वाला प्रमुख बुनियादी ढांचा
संवाद क्षमता का निरंतर विकास अंतर्निहित तकनीक पर उच्च माँगें भी रखता है। झाओ बिन ने भाषण में उल्लेख किया कि पिछले एक वर्ष में, OpenAI जैसी कंपनियों द्वारा WebRTC तकनीक को गहराई से अपनाने ने संवादात्मक AI क्षेत्र में रियल-टाइम इंटरैक्शन तकनीक को व्यापक ध्यान और अनुप्रयोग प्रदान किया है। जैसे-जैसे AI एकल-दौर प्रश्नोत्तर से निरंतर इंटरैक्शन की ओर बढ़ रहा है, रियल-टाइम इंटरैक्शन बुनियादी ढांचा मॉडल, एजेंट रनटाइम फ्रेमवर्क और उपयोगकर्ताओं को जोड़ने वाला महत्वपूर्ण तकनीकी सहारा बन रहा है।
पारंपरिक AI अनुप्रयोगों की तुलना में, संवाद परिदृश्यों में विलंब, स्थिरता और द्वि-दिशात्मक इंटरैक्शन पर अधिक कड़ी आवश्यकताएँ हैं। AI को एक ओर उपयोगकर्ता इनपुट प्राप्त करना है, दूसरी ओर संदर्भ समझना, प्रतिक्रिया तैयार करना है, आवश्यकता पड़ने पर किसी भी समय व्यवधान का सामना करना है, और लगातार उपकरणों को कॉल करना और कार्यों को आगे बढ़ाना है। किसी भी चरण में स्पष्ट विलंब संवाद की स्वाभाविकता को नष्ट कर सकता है, और यहाँ तक कि कार्य पूरा हो सकेगा या नहीं, इसे भी प्रभावित कर सकता है।
इन आवश्यकताओं को पूरा करने के लिए, झाओ बिन ने रियल-टाइम इंटेलिजेंट इंटरैक्शन के लिए बुनियादी ढांचे की दिशा प्रस्तुत की: वैश्विक रियल-टाइम ट्रांसमिशन नेटवर्क, वितरित क्लाउड-एज-डिवाइस संयुक्त अनुमान, रियल-टाइम ऑर्केस्ट्रेशन और पूर्ण-द्वैध इंटरैक्शन क्षमताओं के माध्यम से, मॉडल और Agent को वास्तविक परिदृश्यों में निरंतर सहयोग करने में सक्षम बनाना। Agora संवादात्मक AI इंजन भी पूर्ण-द्वैध इंटरैक्शन को केंद्र में रखता है, मॉडल, Agent रनटाइम फ्रेमवर्क और उपयोगकर्ताओं को जोड़ता है, और स्थिर, समकालिक रियल-टाइम संवाद अनुभव का समर्थन करता है।
इसके साथ ही, Agora डेवलपर्स के लिए संवादात्मक AI विकास उपकरण और विकास किट लगातार बेहतर बना रहा है, SDK, Skills, CLI टूल और Recipes आदि क्षमताओं को मिलाकर, डेवलपर्स को पूर्ण तर्क और निष्पादन क्षमता वाले Agent को अधिक कुशलता से बनाने में मदद कर रहा है।
ग्राहक सेवा, शिक्षा से लेकर AI साथी और स्मार्ट वियरेबल्स तक, झाओ बिन का मानना है कि संवादात्मक AI अधिक वास्तविक परिदृश्यों में प्रवेश कर रहा है। AI वास्तव में मूल्य बना सकता है या नहीं, यह केवल इस पर निर्भर नहीं है कि मॉडल "बोल सकता है" या नहीं, बल्कि इस पर भी निर्भर है कि क्या यह आवश्यकताओं को समझ सकता है, स्वाभाविक रूप से संवाद कर सकता है, और लगातार कार्यों को पूरा कर सकता है। रियल-टाइम इंटरैक्शन तकनीक इस प्रक्रिया में और अधिक महत्वपूर्ण भूमिका निभाएगी।
इसके बाद, NVIDIA के प्रमुख आर्किटेक्ट और AOMedia वीडियो कोडेक वर्किंग ग्रुप के सह-अध्यक्ष Andrey Norkin ने AV2 वीडियो कोडेक तकनीक पर भाषण दिया।
गोलमेज संवाद: व्यक्तिगत एजेंट, क्या अगली पीढ़ी का व्यक्तिगत प्रवेश द्वार बनेंगे?
Agora के सह-संस्थापक Tony Wang की अध्यक्षता में पहले गोलमेज में, इंटरैक्टिव मीडिया उत्पाद प्रबंधक और टेक ब्लॉगर Eugene Wei, टेक स्व-मीडिया व्यक्ति और पॉडकास्ट "लुआन फान शू" के होस्ट पान लुआन, और AIoT हार्डवेयर उद्यमी और एज-साइड AI स्व-मीडिया होस्ट हुआ जियानशिन ने "व्यक्तिगत एजेंट: नए उपकरण से नए प्रवेश द्वार तक?" पर चर्चा की।
मोबाइल फोन, चश्मे, ईयरफोन से लेकर अधिक पहनने योग्य उपकरणों तक, व्यक्तिगत एजेंट उद्योग में अगली पीढ़ी के मानव-कंप्यूटर इंटरैक्शन प्रवेश द्वार पर पुनः विचार उत्पन्न कर रहे हैं। पान लुआन का मानना है कि व्यक्तिगत एजेंट एक प्रतिमान परिवर्तन ला सकते हैं: AI उत्पादों का मूल्य उपयोगकर्ता का ध्यान आकर्षित करने से, उपयोगकर्ताओं को अधिक कुशलता से कार्य पूरे करने में मदद करने की ओर बदल रहा है। भविष्य के व्यक्तिगत एजेंट को न केवल स्पष्ट निर्देशों का जवाब देना चाहिए, बल्कि सक्रिय रूप से कार्यभार संभालना चाहिए, उपयोगकर्ताओं को उन मामलों को संभालने में मदद करनी चाहिए जिनका लक्ष्य स्पष्ट है लेकिन जिनमें अधिक समय निवेश करना उचित नहीं है।
अगली पीढ़ी के व्यक्तिगत हार्डवेयर के बारे में, हुआ जियानशिन ने सुझाव दिया कि भविष्य का प्रवेश द्वार किसी एक उपकरण का विशेषाधिकार नहीं हो सकता, चश्मे, ईयरफोन और अन्य हार्डवेयर जो वातावरण को महसूस कर सकते हैं और कार्यों को निष्पादित कर सकते हैं, सभी के पास अवसर हैं। उनका मानना है कि व्यक्तिगत एजेंट को न केवल उपयोगकर्ता को समझना चाहिए, बल्कि भौतिक उपकरणों के माध्यम से वास्तविक दुनिया को लगातार महसूस करना और कार्रवाई करना चाहिए, जो विभिन्न रूपों के हार्डवेयर के लिए नए विकास स्थान लाता है।
Eugene Wei ने चर्चा को "संदर्भ" के मूल्य की ओर ले जाया: क्या व्यक्तिगत एजेंट वास्तव में उपयोगकर्ता की रुचियों, संचार रिकॉर्ड और सामाजिक संबंधों को समझ सकता है, यह प्रभावित करेगा कि क्या यह एक मूल्यवान व्यक्तिगत प्रवेश द्वार बन सकता है। नए प्रवेश द्वार के स्थापित होने का मूल्यांकन करते समय, उन्होंने यह भी सुझाव दिया कि उपयोगकर्ता प्रतिदिन Agent के साथ कितना इंटरैक्ट करते हैं, और क्या उपयोगकर्ता अधिक Agent के पास जाते हैं या Agent अधिक उपयोगकर्ता के पास जाते हैं, पर ध्यान दिया जा सकता है। गोलमेज ने इसके आधार पर व्यक्तिगत एजेंट के उत्पाद मूल्य, हार्डवेयर रूप और भविष्य के मापदंडों पर आगे चर्चा की।
गोलमेज संवाद: "बातचीत कर सकते हैं" से "काम कर सकते हैं" तक, संवादात्मक AI कैसे वास्तविक मूल्य बनाता है?
Agora के मुख्य वाणिज्यिक अधिकारी कुई बो की अध्यक्षता में दूसरे गोलमेज में, शीयू इंटेलिजेंट के संस्थापक चेन वेई, गुआनके टेक्नोलॉजी के संस्थापक गेंग शियांगलेई, Rokid लेकी के सह-संस्थापक और इकोसिस्टम प्रमुख काई गुओशियांग, और टाइटन किमिंग के CEO वू कान ने एम्बॉडीड इंटेलिजेंस, स्मार्ट वियरेबल्स, एंटरप्राइज मार्केटिंग और AI भर्ती जैसे विभिन्न परिदृश्यों से, संवादात्मक AI पर चर्चा की: अगली पीढ़ी के व्यक्ति और Agent इंटरैक्शन को आगे बढ़ाना।
चेन वेई का मानना है कि एम्बॉडीड इंटेलिजेंस की कुंजी मनुष्य की मंशा को वास्तव में रोबोट की कार्रवाई में बदलना है। रोबोट को न केवल वाक् निर्देशों को समझना चाहिए, बल्कि दृश्य, वाक् और अपनी स्थिति जैसी बहु-मोडल जानकारी को मिलाकर, भौतिक वातावरण की धारणा, योजना और निर्णय पूरा करना चाहिए, और कार्रवाई के बाद पर्यावरणीय परिवर्तनों के अनुसार कार्य निष्पादन को लगातार समायोजित करना चाहिए। पूर्व-निर्धारित प्रदर्शन कार्यों को पूरा करने की तुलना में, रोबोट के लिए अधिक महत्वपूर्ण है खुली परिस्थिति में मनुष्य की वास्तविक आवश्यकताओं को लगातार समझना, ताकि कार्रवाई हमेशा मनुष्य की मंशा के अनुरूप रहे। शीयू इंटेलिजेंट Duplex Reasoning नामक नए प्रतिमान का एम्बॉडीड फाउंडेशन मॉडल विकसित कर रहा है, जिसका उद्देश्य रोबोट इंटरैक्शन और कार्रवाई का एकीकरण साकार करना है।
काई गुओशियांग ने AI चश्मे के अभ्यास से शुरू करते हुए, संवाद अनुभव को AI पहनने योग्य उपकरणों की मुख्य प्रतिस्पर्धात्मक क्षमता बताया। उन्होंने कहा कि चाहे हार्डवेयर और पीछे की AI क्षमता कितनी भी शक्तिशाली हो, यदि संवाद पर्याप्त स्वाभाविक नहीं है, तो उपयोगकर्ता अनुभव सीधे प्रभावित होगा। भविष्य में, AI पहनने योग्य उपकरणों को कम विलंब, स्थिर रियल-टाइम इंटरैक्शन, और सिमेंटिक्स तथा दीर्घकालिक संदर्भ की समझ के माध्यम से, उपयोगकर्ताओं को धीरे-धीरे यह महसूस न हो कि वे AI से बात कर रहे हैं। उन्होंने Rokid लेकी AI सहायक द्वारा Agora RTC लिंक सेवा अपनाने के अभ्यास को भी साझा किया, और AI चश्मे को AI युग का महत्वपूर्ण व्यक्तिगत प्रवेश द्वार बनने की संभावना को सकारात्मक देखा।
एंटरप्राइज अनुप्रयोग परिदृश्यों में, गेंग शियांगलेई ने बताया कि AI वाक् सीट को विश्वसनीय व्यावसायिक डिलीवरी प्राप्त करने के लिए विलंब, व्यवधान के समय और मानवीकरण जैसी समस्याओं को हल करना होगा, जिनमें विलंब सीधे कार्य परिणाम को प्रभावित कर सकता है। To B मार्केटिंग के लिए, AI को उद्योग ज्ञान प्रणाली और मानव सहयोग के साथ संयोजित होना चाहिए, तभी व्यावसायिक परिणामों को बेहतर ढंग से सुनिश्चित किया जा सकता है। वू कान ने AI भर्ती अभ्यास के साथ कहा कि संवादात्मक AI भर्ती व्यवसाय को बड़े पैमाने पर नौकरी चाहने वालों तक पहुँचने, सेवा दक्षता बढ़ाने में मदद कर सकता है, न कि केवल मानव को बदलना। व्यावसायिक बंद लूप बनाने के लिए, उद्योग डेटा संचित करना, नौकरी चाहने वाले को केंद्र में रखकर व्यवसाय को व्यवस्थित करना, Agent को दीर्घकालिक स्मृति बनाने में मदद करना, और साक्षात्कार, कार्यभार ग्रहण जैसी वास्तविक व्यावसायिक घटनाओं के आसपास, AI को सेवा गुणवत्ता का निरंतर मूल्यांकन और अनुकूलन करने में सहायता करना आवश्यक है।
चारों अतिथियों के साझाकरण से देखा जा सकता है कि विभिन्न उद्योगों की संवादात्मक AI के प्रति आवश्यकताओं में अंतर होने पर भी, सभी एक ही दिशा की ओर संकेत करते हैं: AI को न केवल संवाद कर सकना चाहिए, बल्कि वास्तविक परिदृश्यों को समझना, मौजूदा व्यावसायिक प्रक्रियाओं में एकीकृत होना, और विश्वसनीय रूप से कार्यों को पूरा करना चाहिए। जैसे-जैसे रियल-टाइम इंटरैक्शन, बहु-मोडल धारणा और Agent निष्पादन क्षमता का निरंतर विकास हो रहा है, संवादात्मक AI इंटरैक्शन उपकरण से आगे बढ़कर डिजिटल दुनिया और भौतिक दुनिया को जोड़ने, व्यावसायिक संचालन को आगे बढ़ाने वाली महत्वपूर्ण शक्ति बनने की संभावना रखता है।
रियल-टाइम इंटरैक्शन से रियल-टाइम इंटेलिजेंस की ओर, संवाद AGI का अगला अध्याय शुरू करना
झाओ बिन द्वारा प्रस्तुत पाँच-स्तरीय संवाद क्षमता ढाँचे से लेकर व्यक्तिगत एजेंट और वास्तविक व्यावसायिक कार्यान्वयन पर दो गोलमेज चर्चाओं तक, iRTE2026 मुख्य मंच एक स्पष्ट औद्योगिक प्रवृत्ति प्रस्तुत करता है: संवादात्मक AI की प्रतिस्पर्धा बुनियादी मॉडल क्षमता से बढ़कर संदर्भ समझ, रियल-टाइम इंटरैक्शन, जटिल संबंध संज्ञान और कार्य निष्पादन तक विस्तारित हो रही है।
जब AI निष्क्रिय उत्तर देने तक सीमित नहीं रहेगा, बल्कि मनुष्य को लगातार समझ सकेगा, सक्रिय रूप से संवाद में भाग ले सकेगा, और वास्तविक परिदृश्यों में कार्यों को पूरा कर सकेगा, तब रियल-टाइम इंटरैक्शन तकनीक भी गहनतर मिशन वहन करेगी।
संवाद AGI के अगले चरण की ओर, Agora डेवलपर्स और उद्योग भागीदारों के साथ मिलकर रियल-टाइम इंटरैक्शन और जनरेटिव AI के एकीकरण का पता लगाना जारी रखेगा, और व्यक्ति से व्यक्ति, तथा व्यक्ति से Agent के बीच अधिक स्वाभाविक, कुशल रियल-टाइम इंटरैक्शन अनुभव को आगे बढ़ाएगा।
