声网创始人兼CEO赵斌：对话AGI的终点，是“理解一个人”

文丨雄墨

我们评价一个对话AI，习惯问三个问题：回答得准不准、反应快不快、说话像不像人。这三个问题，构成了过去几年对话式AI的“默认评分卡”。

但声网创始人兼CEO赵斌在iRTE2026实时智能大会上给出了一个不同的标尺。他说，对话AGI的终点，不是回答得更聪明，而是“理解一个人”。

围绕这个判断，赵斌提出了“五级对话能力”框架：L1基于自身视角的表达，L2基于互动规律的表达，L3基于个体认知的沟通，L4基于群体认知的沟通，L5基于深度关系的沟通。从“问一句答一句”到“理解一个人”，五级阶梯勾勒出的，不只是一条技术演进路线，更是一条AI与人之间关系深化的路径。

这篇文章想回答三个问题：为什么“回答得好”不等于“对话得好”？从L1到L5，每一级到底难在哪？“理解一个人”为什么需要一套“实时操作系统”，而不是一个更强的模型？

一、评价标尺之变：为什么“回答得好”不等于“对话得好”？

过去评价对话式AI，核心指标很集中：回答准不准、响应快不快、语言自然不自然。这些指标衡量的是“单轮问答”的质量，而且在单轮问答这个维度上，行业已经走得相当远。据公开评测，头部实时语音模型的响应延迟已普遍进入1秒以内，语音合成的自然度也在快速逼近真人。

但真实对话不是单轮问答。

真实对话是持续的、有上下文的、有关系的。一个回答很准的AI，可能在用户打断时接不住；可能在用户情绪低落时还在讲道理；可能聊了十轮，依然记不住用户上一轮说过什么。全双工交互领域的公开研究也印证了这一点：延迟够低了，但“该说话的时候不说话、该停的时候停不下来、用户打断之后接不住”依然是系统级难题。

赵斌的判断是，对话式AI的进步，不能只用回答速度、语言自然度来衡量。更重要的是，它能否理解对话对象的意图、处境与关系，能否在复杂场景中恰当表达，并逐步形成长期、深入的理解。这把评价维度从“信息传递效率”拉到了“关系理解深度”。

这个标尺变化，背后是价值主张的变化。在AI陪伴场景，用户要的不是一个更聪明的问答机器，而是一个“记得住我”的对话对象。在教育场景，用户要的是“因材施教”，而不是标准答案。在客服和招聘场景，用户要的是“理解我的处境”，而不是机械执行流程。这些场景的共同点是：对话的价值不在“答得对”，而在“聊得下去、办得成事”。

五级框架的意义，正在于它提供了一个可讨论、可评估的坐标系。它让行业可以用同一套语言讨论“对话能力到了哪一级”，而不是各说各话。

二、五级阶梯：从“问一句答一句”到“理解一个人”，每一级难在哪？

五级框架不是五个并列的功能模块，而是一条逐级递进的能力阶梯。每一级的跃升，都对应着技术复杂度和关系深度的双重提升。

L1是“基于自身视角的表达”，以自我表达和被动接续为主，实现的是“问一句、答一句”。这一级的技术重心在基础语音识别、语义理解和响应生成，衡量标准是“答得上来”。L2是“基于互动规律的表达”，从被动回应走向主动表达，让对话更自然、连贯。这一级开始涉及对话节奏、轮次管理、主动引导，技术重心转向实时交互的流畅性。

真正的分水岭在L3。L3要求“基于个体认知的沟通”——理解个体的身份、意图与处境，实现因人而异的沟通。这需要长期记忆的结构化、用户画像的动态更新、意图理解的精细化。一个AI能否记住用户上次说过的话、能否判断用户此刻的状态、能否根据对象调整表达方式，决定了它能不能跨过L3。声网的实时交互能力在这里承担的角色是“把上下文稳定地送进模型，把回应稳定地送还给用户”，让记忆和意图有稳定的传递通道。

如果说L3是“能否理解个体”的门槛，那么L4和L5就是这条路的延伸：L4把理解对象从一个人扩展到一群人，L5把理解的时间尺度从当下拉长到长期关系。

L4进入“基于群体认知的沟通”——理解社会关系与角色差异，适应复杂的多人沟通场景。这涉及角色识别、对话秩序管理、多方上下文同步，技术复杂度显著上升。在一个多人对话中，AI需要知道谁在跟谁说话、谁应该被回应、什么时候该插话、什么时候该沉默。这不是单点能力的增强，而是系统协调能力的跃升。

L5是“基于深度关系的沟通”——理解长期上下文与关系演变，形成更深层次的理解与思维默契。赵斌把L5描述为“让沟通从理解当下走向理解一个人”。这一级需要的，是跨会话记忆的结构化、关系状态的建模、长期上下文组织，以及实时交互中的状态一致性保障。

为什么L5是系统级工程，而不是模型级任务？因为真实对话中，用户的请求可能在任务执行过程中被修改、取消或替换。一个“上一刻”还合理的计划，下一秒就可能过时。系统需要一套独立的协调机制，判断每一轮对话应该作用于哪个任务版本、在什么时候该重新规划、在什么时候该直接执行。这需要的不只是一个更聪明的模型，而是一套能协调“听、想、说、做”的调度系统。

L1到L5的进化，不只是技术能力的逐级增强，更是AI与人之间关系的变化：从完成一轮问答，到理解一个人，再到理解人与人之间的关系，最终形成跨越时间与情境的深度沟通。

三、底座之争：“理解一个人”为什么需要一套“实时操作系统”？

如果L5是终点，那么支撑这个终点的底座是什么？

理解一个人，靠的不是一次更强的推理，而是每一次交互的稳定承接——这正是系统层要解决的问题。赵斌给出的答案是Real-Time AI Infra——一套面向实时智能交互的基础设施。他用了一个很有分量的比喻：对话AGI需要一套“实时操作系统”。

操作系统的价值不在于生产应用，而在于调度资源。它决定应用怎么调用硬件、怎么共享算力、怎么响应用户。实时操作系统在对话AGI中的角色同理：它不替代模型，但它决定模型什么时候被调用、调用哪个模型、上下文怎么组织、工具怎么编排、打断怎么处理。

赵斌提出的Real-Time AI Infra有四个支点。全球实时传输网络解决“通”的问题，让对话在弱网、跨境、移动场景下依然稳定。分布式云边端联合推理解决“快”的问题，把推理任务放在离用户最近的地方。实时编排解决“序”的问题，让模型、工具、Agent框架按正确的顺序协同。全双工交互解决“自然”的问题，让AI能一边听、一边想、一边说，还能接住用户的打断。

四件事叠加在一起，才构成一个“操作系统”该有的样子。声网对话式AI引擎以全双工交互为核心，连接模型、Agent运行框架与用户，支撑稳定、同步的实时对话体验。同时，声网面向开发者提供SDK、Skills、CLI工具及Recipes等开发套件，帮助开发者更高效地构建具备完整逻辑与执行能力的Agent。

从RTE（实时互动）到实时智能，声网的角色正在从“通信管道”升级为“对话AGI的调度层”。这个位置的价值在于：模型越强，系统层的协调复杂度反而越高，因为用户对“自然”和“可靠”的期待同步上升。模型厂商解决“聪明”的问题，系统层解决“协调”的问题，两者缺一不可。

当然，需要区分愿景与现状。“实时操作系统”是一个准确的战略比喻，但当前的能力更多集中在L1到L3的支撑上，L4和L5仍在探索之中。全双工交互的“自然度”也仍是行业级难题，系统层能做的优化有边界。声网要证明的是：这套协调层比客户自己搭的更稳定、更高效、更省成本。这条路能不能走通，最终取决于一个朴素的检验标准：用户是否逐渐感觉不到自己在与AI对话，而是感觉在和一个“理解自己的人”交流。

结语：终点是“理解一个人”，起点是“把系统做对”

赵斌说对话AGI的终点是“理解一个人”。这句话的分量，不在于它有多浪漫，而在于它把竞争的重心从“模型参数”拉回到了“系统能力”。

评价标尺在变，从“回答质量”转向“关系深度”；能力阶梯在延伸，从“被动应答”走向“深度关系”；底座之争在下沉，从“模型层”进入“系统层”。三个变化指向同一个判断：对话AGI的下一个阶段，不只是模型变得更强，更是系统变得更协调。

正因为愿景与现状之间还有距离，这套系统的价值才需要用“做对”来证明。当对话对象从人扩展到Agent，实时互动技术也从“通信管道”升级为“实时智能的基础设施”。声网选择了一条不拼模型、拼系统的路。这条路的方向是清晰的，剩下的，是把它一步一步走实。