Ngày 23 tháng 10, Hội nghị Trí tuệ Thời gian thực iRTE2026 đã diễn ra tại Bắc Kinh. Nhà sáng lập kiêm CEO của Agora, Zhao Bin, đã có bài phát biểu tại diễn đàn chính với chủ đề "Đối thoại với AGI: Chương tiếp theo của tương tác thời gian thực", nhìn lại những thay đổi then chốt trong năm qua về tương tác thời gian thực, AI hội thoại và cơ sở hạ tầng nền tảng, đồng thời đề xuất khung "Năm cấp độ năng lực hội thoại", phác họa con đường tiến hóa của AI hội thoại từ phản hồi cơ bản đến hiểu biết sâu sắc và giao tiếp dựa trên mối quan hệ.
Zhao Bin cho rằng, khi AI chuyển từ trả lời câu hỏi sang giao tiếp liên tục, hiểu ngữ cảnh và thực thi nhiệm vụ, đối tượng của tương tác thời gian thực đang mở rộng từ người với người sang người với Agent. Vai trò của công nghệ tương tác thời gian thực cũng theo đó mà mở rộng: nó không chỉ cần truyền tải thông tin ổn định và mượt mà hơn, mà còn phải cung cấp hỗ trợ thời gian thực cho khả năng nhận thức, hiểu biết, biểu đạt và hành động của AI.
Từ "hỏi một câu đáp một câu" đến giao tiếp dựa trên mối quan hệ sâu sắc: Năm cấp độ tiến hóa của AGI hội thoại
Theo Zhao Bin, sự tiến bộ của AI hội thoại không nên chỉ được đo bằng tốc độ phản hồi hay độ tự nhiên của ngôn ngữ. Điều quan trọng hơn là liệu nó có thể hiểu được ý định, hoàn cảnh và mối quan hệ của đối tượng hội thoại, có thể biểu đạt phù hợp trong các tình huống phức tạp, và dần hình thành sự hiểu biết lâu dài, sâu sắc hay không.
Xoay quanh nhận định này, Zhao Bin đã đề xuất khung "Năm cấp độ năng lực hội thoại" trong bài phát biểu, chia năng lực hội thoại thành năm tầng:
L1, Biểu đạt dựa trên góc nhìn bản thân: Chủ yếu là tự biểu đạt và tiếp nối thụ động, thực hiện "hỏi một câu, đáp một câu".
L2: Biểu đạt dựa trên quy luật tương tác: Từ phản hồi thụ động chuyển sang biểu đạt chủ động, giúp cuộc hội thoại tự nhiên và mạch lạc hơn.
L3: Giao tiếp dựa trên nhận thức cá nhân: Hiểu danh tính, ý định và hoàn cảnh của cá nhân, thực hiện giao tiếp phù hợp với từng người.
L4: Giao tiếp dựa trên nhận thức nhóm: Hiểu mối quan hệ xã hội và sự khác biệt vai trò, thích ứng với các tình huống giao tiếp đa người phức tạp.
L5: Giao tiếp dựa trên mối quan hệ sâu sắc: Hiểu ngữ cảnh dài hạn và sự phát triển của mối quan hệ, hình thành sự hiểu biết sâu sắc hơn và sự đồng cảm trong tư duy, đưa giao tiếp từ hiểu hiện tại đến hiểu một con người.
Năm tầng này thể hiện không chỉ sự tăng cường từng bước của công nghệ hội thoại, mà còn là sự thay đổi trong mối quan hệ giữa AI và con người: từ hoàn thành một vòng hỏi đáp, đến hiểu một con người, rồi đến hiểu mối quan hệ giữa người với người, cuối cùng hình thành giao tiếp sâu sắc vượt qua thời gian và tình huống.
Zhao Bin chỉ ra rằng, AI hội thoại đang phát triển từ tương tác thụ động tiếp nối ở giai đoạn đầu sang hội thoại song công hoàn toàn chủ động và tự nhiên hơn, và bắt đầu cố gắng hiểu tính cách, hoàn cảnh, cảm xúc và mối quan hệ của con người. Hướng tới tương lai, AI còn cần đột phá trong phân công vai trò và trật tự giao tiếp trong các tình huống xã hội phức tạp, hiểu sâu hơn ngữ cảnh tích lũy lâu dài của cá nhân. Đây cũng là hướng phát triển quan trọng của AGI hội thoại: AI không chỉ hiểu một câu nói, mà còn có thể kết hợp ngữ cảnh đầy đủ để hiểu ý định thực sự của một người và đưa ra phản hồi phù hợp.
Real-Time AI Infra: Cơ sở hạ tầng then chốt hỗ trợ AGI hội thoại
Sự tiến hóa liên tục của năng lực hội thoại cũng đặt ra yêu cầu cao hơn đối với công nghệ nền tảng. Zhao Bin đề cập trong bài phát biểu rằng, trong năm qua, việc các công ty như OpenAI áp dụng sâu rộng công nghệ WebRTC đã thúc đẩy công nghệ tương tác thời gian thực nhận được sự quan tâm và ứng dụng rộng rãi hơn trong lĩnh vực AI hội thoại. Khi AI chuyển từ hỏi đáp đơn lượt sang tương tác liên tục, cơ sở hạ tầng tương tác thời gian thực đang trở thành trụ cột công nghệ quan trọng kết nối mô hình, khung vận hành Agent và người dùng.
So với các ứng dụng AI truyền thống, kịch bản hội thoại có yêu cầu khắt khe hơn về độ trễ, độ ổn định và tương tác hai chiều. AI cần vừa nhận đầu vào của người dùng, vừa hiểu ngữ cảnh, tổ chức phản hồi, khi cần thiết còn phải sẵn sàng ứng phó với ngắt lời, và liên tục gọi công cụ, thúc đẩy nhiệm vụ. Bất kỳ sự chậm trễ đáng kể nào ở bất kỳ khâu nào đều có thể phá vỡ tính tự nhiên của cuộc hội thoại, thậm chí ảnh hưởng đến việc nhiệm vụ có thể hoàn thành hay không.
Để hỗ trợ những nhu cầu này, Zhao Bin đã giới thiệu định hướng cơ sở hạ tầng cho tương tác trí tuệ thời gian thực: thông qua mạng truyền tải thời gian thực toàn cầu, suy luận kết hợp phân tán đám mây-biên-thiết bị, điều phối thời gian thực và năng lực tương tác song công hoàn toàn, giúp mô hình và Agent có thể phối hợp liên tục trong các tình huống thực tế. Engine AI hội thoại của Agora cũng lấy tương tác song công hoàn toàn làm cốt lõi, kết nối mô hình, khung vận hành Agent và người dùng, hỗ trợ trải nghiệm hội thoại thời gian thực ổn định và đồng bộ.
Đồng thời, Agora không ngừng hoàn thiện công cụ và bộ phát triển AI hội thoại dành cho nhà phát triển, kết hợp SDK, Skills, công cụ CLI và Recipes cùng các năng lực khác, giúp nhà phát triển xây dựng Agent có logic hoàn chỉnh và năng lực thực thi một cách hiệu quả hơn.
Từ dịch vụ khách hàng, giáo dục đến AI đồng hành và thiết bị đeo thông minh, Zhao Bin cho rằng AI hội thoại đang bước vào nhiều tình huống thực tế hơn. Liệu AI có thể thực sự tạo ra giá trị hay không không chỉ phụ thuộc vào việc mô hình có "biết nói" hay không, mà còn phụ thuộc vào việc nó có thể hiểu nhu cầu, giao tiếp tự nhiên và liên tục hoàn thành nhiệm vụ hay không. Công nghệ tương tác thời gian thực sẽ ngày càng đóng vai trò quan trọng hơn trong quá trình này.
Tiếp theo, Andrey Norkin, Kiến trúc sư trưởng của NVIDIA, đồng chủ tịch Nhóm công tác mã hóa video AOMedia, đã có bài phát biểu về công nghệ mã hóa video AV2.
Tọa đàm bàn tròn: Agent cá nhân, liệu có trở thành cổng vào cá nhân của thế hệ tiếp theo?
Trong tọa đàm bàn tròn đầu tiên do Tony Wang, đồng sáng lập Agora, chủ trì, Eugene Wei, Giám đốc sản phẩm truyền thông tương tác kiêm blogger công nghệ, Pan Luan, blogger công nghệ, người dẫn podcast "Loạn Phiên Thư", và Hua Jianxin, nhà khởi nghiệp phần cứng AIoT kiêm người dẫn kênh tự truyền thông AI biên, đã thảo luận xoay quanh chủ đề "Agent cá nhân: Từ công cụ mới đến cổng vào mới?".
Từ điện thoại, kính, tai nghe đến nhiều thiết bị mang theo người hơn, Agent cá nhân đang khơi lại suy nghĩ của ngành về cổng vào tương tác người-máy của thế hệ tiếp theo. Pan Luan cho rằng Agent cá nhân có thể mang lại một cuộc cách mạng mô thức: giá trị của sản phẩm AI đang chuyển từ giành giật sự chú ý của người dùng sang giúp người dùng hoàn thành nhiệm vụ hiệu quả hơn. Agent cá nhân trong tương lai không chỉ cần phản hồi chỉ thị rõ ràng, mà còn nên chủ động đảm nhận nhiệm vụ, giúp người dùng xử lý những việc có mục tiêu rõ ràng nhưng không đáng đầu tư nhiều thời gian.
Về phần cứng cá nhân thế hệ tiếp theo, Hua Jianxin đề xuất rằng cổng vào trong tương lai có thể không do một loại thiết bị nào độc chiếm, kính, tai nghe và các phần cứng khác có khả năng cảm nhận môi trường, thực thi nhiệm vụ đều có cơ hội. Ông cho rằng Agent cá nhân không chỉ cần hiểu người dùng, mà còn cần liên tục cảm nhận thế giới thực và hành động thông qua thiết bị vật lý, điều này mang lại không gian phát triển mới cho các hình thái phần cứng khác nhau.
Eugene Wei lại hướng cuộc thảo luận đến giá trị của "ngữ cảnh": liệu Agent cá nhân có thể thực sự hiểu sở thích, lịch sử giao tiếp và mối quan hệ xã hội của người dùng hay không sẽ ảnh hưởng đến việc nó có thể trở thành cổng vào cá nhân có giá trị hay không. Khi đánh giá liệu cổng vào mới có thành lập hay không, ông cũng đề xuất có thể chú ý đến tình hình tương tác hàng ngày giữa người dùng và Agent, cũng như liệu người dùng chủ động tìm Agent nhiều hơn hay Agent chủ động tìm người dùng nhiều hơn. Tọa đàm từ đó thảo luận thêm về giá trị sản phẩm, hình thái phần cứng và tiêu chí đánh giá tương lai của Agent cá nhân.
Tọa đàm bàn tròn: Từ "biết trò chuyện" đến "biết xử lý việc", AI hội thoại làm thế nào để tạo ra giá trị thực sự?
Trong tọa đàm bàn tròn thứ hai do Cui Bo, Giám đốc thương mại Agora, chủ trì, Chen Wei, nhà sáng lập Xiejue Intelligence, Geng Xianglei, nhà sáng lập Guanke Technology, Cai Guoxiang, đồng sáng lập kiêm người phụ trách hệ sinh thái Rokid Leqi, và Wu Kan, CEO Titan Qiming, đã từ các kịch bản khác nhau như trí tuệ thể nhập, thiết bị đeo thông minh, tiếp thị doanh nghiệp và tuyển dụng AI, thảo luận về AI hội thoại: thúc đẩy tương tác người-Agent của thế hệ tiếp theo.
Chen Wei cho rằng, điểm mấu chốt của trí tuệ thể nhập là biến ý định của con người thành hành động của robot một cách thực sự. Robot không chỉ cần hiểu chỉ thị giọng nói, mà còn cần tích hợp thông tin đa phương thức như thị giác, giọng nói và trạng thái bản thân, hoàn thành nhận thức, lập kế hoạch và ra quyết định về môi trường vật lý, và liên tục điều chỉnh thực thi nhiệm vụ theo thay đổi môi trường sau hành động. So với hoàn thành nhiệm vụ trình diễn được cài đặt sẵn, điều quan trọng hơn đối với robot là liên tục hiểu nhu cầu thực sự của con người trong môi trường mở, để hành động luôn nhất quán với ý định của con người. Xiejue Intelligence đang phát triển mô hình nền tảng thể nhập với mô thức mới Duplex Reasoning, nhằm hiện thực hóa sự tích hợp giữa tương tác và hành động của robot.
Cai Guoxiang lại xuất phát từ thực tiễn kính AI, nhấn mạnh trải nghiệm hội thoại là năng lực cạnh tranh cốt lõi của thiết bị đeo AI. Ông cho biết, dù phần cứng và năng lực AI phía sau mạnh mẽ đến đâu, nếu hội thoại không đủ tự nhiên, trải nghiệm người dùng sẽ bị ảnh hưởng trực tiếp. Trong tương lai, thiết bị đeo AI cần thông qua tương tác thời gian thực có độ trễ thấp, ổn định, cùng sự hiểu biết về ngữ nghĩa và ngữ cảnh dài hạn, để người dùng dần dần không còn cảm thấy mình đang nói chuyện với AI. Ông cũng chia sẻ thực tiễn trợ lý AI Rokid Leqi sử dụng dịch vụ liên kết RTC của Agora, và lạc quan về việc kính AI trở thành cổng vào cá nhân quan trọng trong thời đại AI.
Trong kịch bản ứng dụng doanh nghiệp, Geng Xianglei chỉ ra rằng, để tổng đài giọng nói AI đạt được phân phối nghiệp vụ đáng tin cậy, phải giải quyết các vấn đề như độ trễ, thời điểm ngắt lời và tính nhân hóa, trong đó độ trễ thậm chí có thể ảnh hưởng trực tiếp đến kết quả nhiệm vụ. Đối với tiếp thị B2B, AI còn cần kết hợp với hệ thống kiến thức ngành và sự hợp tác của con người để đảm bảo tốt hơn kết quả kinh doanh. Wu Kan thì kết hợp thực tiễn tuyển dụng AI cho biết, AI hội thoại có thể giúp nghiệp vụ tuyển dụng tiếp cận ứng viên ở quy mô lớn, nâng cao hiệu quả dịch vụ, chứ không đơn thuần thay thế con người. Để hình thành vòng khép kín nghiệp vụ, còn cần tích lũy dữ liệu ngành, lấy ứng viên làm trung tâm để sắp xếp nghiệp vụ, giúp Agent xây dựng bộ nhớ dài hạn, và xoay quanh các sự kiện nghiệp vụ thực tế như phỏng vấn, nhận việc, hỗ trợ AI liên tục đánh giá và tối ưu chất lượng dịch vụ.
Từ chia sẻ của bốn vị khách mời có thể thấy, yêu cầu của các ngành khác nhau đối với AI hội thoại tuy có khác biệt, nhưng đều hướng đến một phương hướng: AI không chỉ cần có thể giao tiếp, mà còn cần có thể hiểu tình huống thực tế, hòa nhập vào quy trình nghiệp vụ hiện có, và hoàn thành nhiệm vụ một cách đáng tin cậy. Với sự phát triển liên tục của tương tác thời gian thực, nhận thức đa phương thức và năng lực thực thi Agent, AI hội thoại được kỳ vọng sẽ từ công cụ tương tác trở thành lực lượng quan trọng kết nối thế giới số và thế giới vật lý, thúc đẩy vận hành nghiệp vụ.
Từ tương tác thời gian thực đến trí tuệ thời gian thực, mở ra chương tiếp theo của AGI hội thoại
Từ khung năm cấp độ năng lực hội thoại do Zhao Bin đề xuất, đến hai tọa đàm bàn tròn về Agent cá nhân và triển khai nghiệp vụ thực tế, diễn đàn chính iRTE2026 đã trình bày một xu hướng ngành rõ ràng: cạnh tranh của AI hội thoại đang mở rộng từ năng lực mô hình cơ bản sang hiểu ngữ cảnh, tương tác thời gian thực, nhận thức mối quan hệ phức tạp và thực thi nhiệm vụ.
Khi AI không còn giới hạn ở phản hồi thụ động, mà có thể liên tục hiểu con người, chủ động tham gia giao tiếp, và hoàn thành nhiệm vụ trong tình huống thực tế, công nghệ tương tác thời gian thực cũng sẽ đảm nhận sứ mệnh sâu sắc hơn.
Hướng tới giai đoạn tiếp theo của AGI hội thoại, Agora sẽ tiếp tục cùng các nhà phát triển và đối tác ngành khám phá sự hội tụ giữa tương tác thời gian thực và AI tạo sinh, thúc đẩy trải nghiệm tương tác thời gian thực tự nhiên và hiệu quả hơn giữa người với người, giữa người với Agent.
