El 23 de octubre se celebró en Pekín la iRTE2026, la Conferencia de Inteligencia en Tiempo Real. Zhao Bin, fundador y CEO de Agora, pronunció un discurso titulado «Diálogo con la AGI: el próximo capítulo de la interacción en tiempo real» en el foro principal, en el que repasó los cambios clave del último año en la interacción en tiempo real, la IA conversacional y la infraestructura subyacente, y propuso el marco de las «cinco niveles de capacidad conversacional», que traza la trayectoria evolutiva de la IA conversacional desde la respuesta básica hacia la comprensión profunda y la comunicación relacional.
Zhao Bin considera que, a medida que la IA pasa de responder preguntas a mantener una comunicación continua, comprender el contexto y ejecutar tareas, el objeto de la interacción en tiempo real se está ampliando de persona a persona hacia persona y Agent. El papel de la tecnología de interacción en tiempo real también se extiende en consecuencia: no solo debe hacer que la transmisión de información sea más estable y fluida, sino también proporcionar soporte en tiempo real a la percepción, comprensión, expresión y acción de la IA.
De «preguntar una cosa y responder una cosa» a la comunicación de relación profunda: las cinco etapas evolutivas del diálogo AGI
A juicio de Zhao Bin, el progreso de la IA conversacional no debería medirse únicamente por la velocidad de respuesta o la naturalidad del lenguaje. Lo más importante es si puede comprender la intención, la situación y la relación del interlocutor, si puede expresarse adecuadamente en escenarios complejos y si puede formar gradualmente una comprensión profunda y a largo plazo.
En torno a este criterio, Zhao Bin propuso en su discurso el marco de las «cinco niveles de capacidad conversacional», que divide la capacidad de diálogo en cinco niveles:
L1, expresión basada en la propia perspectiva: centrada en la autoexpresión y la continuación pasiva, logrando «preguntar una cosa y responder una cosa».
L2: expresión basada en las regularidades de la interacción: pasar de la respuesta pasiva a la expresión proactiva, haciendo el diálogo más natural y coherente.
L3: comunicación basada en la cognición individual: comprender la identidad, la intención y la situación del individuo, logrando una comunicación adaptada a cada persona.
L4: comunicación basada en la cognición grupal: comprender las relaciones sociales y las diferencias de rol, adaptándose a escenarios complejos de comunicación con múltiples personas.
L5: comunicación basada en relaciones profundas: comprender el contexto a largo plazo y la evolución de las relaciones, formando una comprensión más profunda y una sintonía mental, haciendo que la comunicación pase de comprender el momento a comprender a una persona.
Estos cinco niveles muestran no solo el fortalecimiento gradual de la tecnología conversacional, sino también el cambio en la relación entre la IA y las personas: desde completar una ronda de preguntas y respuestas, hasta comprender a una persona, y luego comprender las relaciones entre las personas, para finalmente formar una comunicación profunda que trasciende el tiempo y las situaciones.
Zhao Bin señaló que la IA conversacional está pasando de la interacción pasiva de continuación de las primeras etapas a un diálogo full-duplex más proactivo y natural, y comienza a intentar comprender la personalidad, la situación, las emociones y las relaciones de las personas. De cara al futuro, la IA también necesita superar la división de roles y el orden comunicativo en escenarios sociales complejos, y comprender más a fondo el contexto acumulado a largo plazo de cada individuo. Esta es también una dirección de desarrollo importante del diálogo AGI: la IA no solo puede entender una frase, sino también comprender la verdadera intención de una persona combinando el contexto completo y responder adecuadamente.
Real-Time AI Infra: la infraestructura clave que sostiene el diálogo AGI
La evolución continua de la capacidad conversacional también plantea mayores exigencias a la tecnología subyacente. Zhao Bin mencionó en su discurso que, durante el último año, la adopción profunda de la tecnología WebRTC por parte de empresas como OpenAI ha impulsado que la tecnología de interacción en tiempo real reciba una atención y aplicación más amplias en el ámbito de la IA conversacional. A medida que la IA pasa de las preguntas y respuestas de una sola ronda a la interacción continua, la infraestructura de interacción en tiempo real se está convirtiendo en un soporte técnico importante que conecta modelos, marcos de ejecución de agentes y usuarios.
En comparación con las aplicaciones tradicionales de IA, los escenarios conversacionales tienen requisitos más estrictos de latencia, estabilidad e interacción bidireccional. La IA necesita, por un lado, recibir la entrada del usuario y, por otro, comprender el contexto y organizar la respuesta; cuando sea necesario, también debe responder en cualquier momento a las interrupciones y seguir invocando herramientas y avanzando en las tareas. Cualquier latencia evidente en cualquier eslabón puede romper la naturalidad del diálogo e incluso afectar la posibilidad de completar la tarea.
Para sostener estas necesidades, Zhao Bin presentó la orientación de la infraestructura para la interacción inteligente en tiempo real: mediante una red global de transmisión en tiempo real, inferencia conjunta distribuida en la nube, el borde y el dispositivo, orquestación en tiempo real y capacidades de interacción full-duplex, permitir que los modelos y los Agent colaboren de forma continua en escenarios reales. El motor de IA conversacional de Agora también se centra en la interacción full-duplex, conectando modelos, marcos de ejecución de Agent y usuarios, y sosteniendo una experiencia de diálogo en tiempo real estable y sincronizada.
Al mismo tiempo, Agora continúa mejorando para los desarrolladores las herramientas y kits de desarrollo de IA conversacional, combinando capacidades como SDK, Skills, herramientas CLI y Recipes, para ayudar a los desarrolladores a construir de forma más eficiente Agent con lógica completa y capacidad de ejecución.
Desde el servicio de atención al cliente y la educación hasta el acompañamiento con IA y los dispositivos inteligentes portátiles, Zhao Bin considera que la IA conversacional está entrando en más escenarios reales. Que la IA pueda crear valor real no depende solo de si el modelo «sabe hablar», sino también de si puede comprender las necesidades, comunicarse de forma natural y completar tareas de manera continua. La tecnología de interacción en tiempo real desempeñará un papel cada vez más importante en este proceso.
A continuación, Andrey Norkin, arquitecto jefe de NVIDIA y copresidente del Grupo de Trabajo de Codificación de Video de AOMedia, ofreció una ponencia sobre la tecnología de codificación de video AV2.
Mesa redonda: ¿Se convertirá el agente personal en la próxima puerta de entrada personal?
En la primera mesa redonda, moderada por Tony Wang, cofundador de Agora, Eugene Wei, gerente de producto de medios interactivos y bloguero tecnológico, Pan Luan, creador de medios tecnológicos y presentador del pódcast «Luan Fan Shu», y Hua Jianxin, emprendedor de hardware AIoT y creador de medios de IA en el dispositivo, debatieron en torno a «El agente personal: ¿de nueva herramienta a nueva puerta de entrada?».
Desde teléfonos móviles, gafas y auriculares hasta más dispositivos portátiles, el agente personal está volviendo a suscitar en la industria la reflexión sobre la próxima puerta de entrada a la interacción persona-ordenador. Pan Luan considera que el agente personal puede traer un cambio de paradigma: el valor de los productos de IA está pasando de disputar la atención del usuario a ayudarle a completar tareas con mayor eficiencia. El agente personal del futuro no solo debe responder a instrucciones explícitas, sino también asumir tareas de forma proactiva y ayudar al usuario a gestionar aquellos asuntos con objetivos claros pero que no merecen invertir mucho tiempo.
Respecto al hardware personal de próxima generación, Hua Jianxin planteó que la futura puerta de entrada no tiene por qué estar dominada por un único tipo de dispositivo; las gafas, los auriculares y otros hardware capaces de percibir el entorno y ejecutar tareas tienen oportunidades. Considera que el agente personal no solo necesita comprender al usuario, sino también percibir de forma continua el mundo real y actuar a través de dispositivos físicos, lo que abre nuevo espacio de desarrollo para hardware de distintas formas.
Eugene Wei, por su parte, llevó el debate hacia el valor del «contexto»: que el agente personal pueda comprender realmente los intereses, los registros de comunicación y las relaciones sociales del usuario influirá en si puede convertirse en una puerta de entrada personal valiosa. A la hora de medir si la nueva puerta de entrada se consolida, también propuso prestar atención a la interacción diaria del usuario con el Agent y a si es más el usuario quien busca al Agent o el Agent quien busca más al usuario. La mesa redonda profundizó así en el valor de producto, la forma del hardware y los futuros criterios de medición del agente personal.
Mesa redonda: de «saber conversar» a «saber resolver», ¿cómo crea valor real la IA conversacional?
En la segunda mesa redonda, moderada por Cui Bo, director comercial de Agora, Chen Wei, fundador de Xieyue Intelligence, Geng Xianglei, fundador de Guanke Technology, Cai Guoxiang, cofundador y responsable del ecosistema de Rokid, y Wu Kan, CEO de Titan Qiming, partiendo de escenarios diversos como la inteligencia encarnada, los dispositivos inteligentes portátiles, el marketing empresarial y la selección de personal con IA, exploraron la IA conversacional: impulsar la próxima generación de interacción entre personas y Agent.
Chen Wei considera que la clave de la inteligencia encarnada es lograr que la intención humana se transforme realmente en acción del robot. El robot no solo debe comprender las instrucciones de voz, sino también integrar información multimodal como la visión, la voz y su propio estado, para completar la percepción, la planificación y la toma de decisiones sobre el entorno físico, y ajustar continuamente la ejecución de tareas según los cambios del entorno tras la acción. Más que completar tareas de demostración predefinidas, lo más importante para el robot es comprender de forma continua las necesidades reales de las personas en entornos abiertos, haciendo que la acción se mantenga siempre alineada con la intención humana. Xieyue Intelligence está desarrollando Duplex Reasoning, un modelo fundacional encarnado con un nuevo paradigma, destinado a lograr la integración de la interacción y la acción del robot.
Cai Guoxiang, partiendo de la práctica de las gafas de IA, destacó que la experiencia conversacional es la competitividad central de los dispositivos portátiles de IA. Señaló que, por muy potentes que sean el hardware y la capacidad de IA subyacente, si la conversación no es lo suficientemente natural, la experiencia del usuario se verá directamente afectada. En el futuro, los dispositivos portátiles de IA deberán lograr, mediante una interacción en tiempo real de baja latencia y estable, así como la comprensión semántica y del contexto a largo plazo, que el usuario deje gradualmente de sentir que está conversando con una IA. También compartió la práctica del asistente de IA de Rokid, que utiliza el servicio de enlace RTC de Agora, y se mostró optimista sobre que las gafas de IA se conviertan en una importante puerta de entrada personal en la era de la IA.
En el ámbito de las aplicaciones empresariales, Geng Xianglei señaló que, para que los agentes de voz con IA logren una entrega fiable de servicios, deben resolverse problemas como la latencia, el momento de la interrupción y la humanización, y la latencia puede incluso afectar directamente al resultado de la tarea. Para el marketing B2B, la IA también necesita combinarse con el sistema de conocimiento del sector y la colaboración humana para garantizar mejor los resultados del negocio. Wu Kan, por su parte, combinando la práctica de la selección de personal con IA, señaló que la IA conversacional puede ayudar al negocio de reclutamiento a llegar a los candidatos a gran escala y mejorar la eficiencia del servicio, en lugar de sustituir simplemente al personal. Para formar un circuito cerrado de negocio, también es necesario acumular datos del sector, organizar el negocio tomando al candidato como eje, ayudar al Agent a establecer memoria a largo plazo y, en torno a eventos reales del negocio como la entrevista y la incorporación, asistir a la IA en la evaluación y optimización continua de la calidad del servicio.
De las intervenciones de los cuatro invitados se desprende que, aunque las exigencias de la IA conversacional varían entre sectores, todas apuntan en una misma dirección: la IA no solo debe poder comunicarse, sino también comprender escenarios reales, integrarse en los procesos de negocio existentes y completar tareas de forma fiable. A medida que la interacción en tiempo real, la percepción multimodal y la capacidad de ejecución de los Agent sigan desarrollándose, es previsible que la IA conversacional pase de ser una herramienta de interacción a convertirse en una fuerza importante que conecte el mundo digital con el mundo físico e impulse el funcionamiento del negocio.
De la interacción en tiempo real a la inteligencia en tiempo real: abrir el próximo capítulo del diálogo AGI
Desde el marco de las cinco capacidades conversacionales propuesto por Zhao Bin hasta los debates de las dos mesas redondas sobre el agente personal y la implementación en negocios reales, el foro principal de iRTE2026 presenta una tendencia industrial clara: la competencia de la IA conversacional se está extendiendo desde la capacidad de los modelos básicos hacia la comprensión del contexto, la interacción en tiempo real, la cognición de relaciones complejas y la ejecución de tareas.
Cuando la IA ya no se limite a responder pasivamente, sino que pueda comprender de forma continua a las personas, participar activamente en la comunicación y completar tareas en escenarios reales, la tecnología de interacción en tiempo real también asumirá una misión más profunda.
De cara a la próxima etapa del diálogo AGI, Agora continuará explorando junto con desarrolladores y socios del sector la integración de la interacción en tiempo real y la IA generativa, impulsando experiencias de interacción en tiempo real más naturales y eficientes entre personas, y entre personas y Agent.
