10月28日消息，近日，由聲網(wǎng)和 RTE 開(kāi)發(fā)者社區(qū)聯(lián)合主辦的 RTE2024第十屆實(shí)時(shí)互聯(lián)網(wǎng)大會(huì)在京舉行。聲網(wǎng)創(chuàng)始人兼 CEO 趙斌、Lepton AI 創(chuàng)始人兼 CEO 賈揚(yáng)清、聲網(wǎng)首席科學(xué)家、CTO 鐘聲分別帶來(lái)主題演講。

趙斌分享了聲網(wǎng)十年以來(lái)專注實(shí)時(shí)互動(dòng)行業(yè)的深刻洞察，以及他對(duì) RTE 在生成式 AI 時(shí)代下未來(lái)發(fā)展的趨勢(shì)判斷。賈揚(yáng)清則站在 AI 基礎(chǔ)設(shè)施的視角下，分享了他對(duì) AI 應(yīng)用、云、和 GPU 算力云技術(shù)的獨(dú)到觀點(diǎn)。鐘聲的主題演講聚焦在對(duì)實(shí)時(shí) AI 基礎(chǔ)設(shè)施的探討上，并分享了 AI 與 RTE 結(jié)合的前沿技術(shù)實(shí)踐。

趙斌認(rèn)為，這一趨勢(shì)主要體現(xiàn)在四個(gè)層面：終端、軟件、云和人機(jī)界面。在終端上，大模型能力將驅(qū)動(dòng) PC 和 Phone 往 AI PC 和 AI Phone 的方向進(jìn)化。在軟件上，所有的軟件都可以、也將會(huì)通過(guò)大模型重新實(shí)現(xiàn)，并從 Software with AI 發(fā)展至 AI Native Software 。在云的層面，所有云都需要具備對(duì)大模型訓(xùn)練和推理的能力，AI Native Cloud 將成為主流。人機(jī)界面的主流交互方式也將從鍵盤、鼠標(biāo)、觸屏變成自然語(yǔ)言對(duì)話界面（LUI）。

隨著生成式 AI 成為下個(gè)時(shí)代 IT 行業(yè)進(jìn)化的主題，RTE 也成為了多模態(tài)應(yīng)用和基礎(chǔ)設(shè)施中一個(gè)關(guān)鍵的部分。10月初，聲網(wǎng)的兄弟公司 Agora 作為語(yǔ)音 API 合作者，出現(xiàn)在了OpenAI 發(fā)布的 Realtime API 公開(kāi)測(cè)試版中。

在此次大會(huì)中，趙斌表示，聲網(wǎng)與 MiniMax 正在打磨中國(guó)第一個(gè)Realtime API。趙斌也展示了聲網(wǎng)基于 MiniMax Realtime API 打造的人工智能體。在演示視頻中，人與智能體輕松流暢的進(jìn)行實(shí)時(shí)語(yǔ)音對(duì)話。當(dāng)人類打斷智能體并提出新的疑問(wèn)時(shí)，智能體也能夠非常靈敏的快速反應(yīng)，實(shí)現(xiàn)了與人類自然流暢的對(duì)話。

趙斌也在分享中宣布，聲網(wǎng)正式發(fā)布了 RTE+AI 能力全景圖。在全景圖中，聲網(wǎng)從實(shí)時(shí) AI 基礎(chǔ)設(shè)施、RTE+AI 生態(tài)能力、聲網(wǎng) AI Agent、實(shí)時(shí)多模態(tài)對(duì)話式 AI 解決方案、RTE+AI 應(yīng)用場(chǎng)景五個(gè)維度，清晰呈現(xiàn)了當(dāng)下 RTE 與 AI 相結(jié)合的技術(shù)能力與應(yīng)用方案。生成式 AI 與RTE 結(jié)合帶來(lái)的場(chǎng)景創(chuàng)新，將成為下一個(gè)十年的主題。

針對(duì) AI 應(yīng)用，賈揚(yáng)清指出，今天是最容易建設(shè) AI 應(yīng)用的時(shí)代，越是簡(jiǎn)潔的 AI 模型思路越容易產(chǎn)生優(yōu)秀的效果。AI 能力加持后，應(yīng)用本身的開(kāi)發(fā)范式也在從數(shù)據(jù)、模型、應(yīng)用構(gòu)建三個(gè)維度發(fā)生變化，未來(lái)的應(yīng)用開(kāi)發(fā)將從“以流程為中心” 轉(zhuǎn)化為“以模型為中心”。

除了 AI 應(yīng)用層面，傳統(tǒng)的云架構(gòu)也在大模型、GPU 優(yōu)化等需求的催化下發(fā)生了翻天覆地的變化。賈揚(yáng)清認(rèn)為，AI 是云的第三次浪潮，繼 Web 云、數(shù)據(jù)云之后，AI 將成為第三朵云。

企業(yè)在構(gòu)建自己的大模型自主性上，到底該如何決策？賈揚(yáng)清強(qiáng)調(diào)，企業(yè)應(yīng)該將開(kāi)源和閉源大模型都納入考慮范疇。采用開(kāi)源模型+定制化的優(yōu)勢(shì)不僅僅是具備更強(qiáng)的可定制性，還有更低的成本以及更高的速度，開(kāi)源+定制化能夠達(dá)到比閉源模型更好的效果。

在已經(jīng)到來(lái)的 AI 時(shí)代，現(xiàn)代化基礎(chǔ)設(shè)施應(yīng)該是什么樣？聲網(wǎng)首席科學(xué)家、CTO鐘聲提到，大量用戶設(shè)備往往會(huì)先接入邊緣節(jié)點(diǎn)、并在需要的時(shí)候再接入云端，數(shù)據(jù)將在端設(shè)備、邊緣節(jié)點(diǎn)和云之間往返傳遞。AI 時(shí)代的數(shù)據(jù)中心會(huì)包含以大量異構(gòu)算力組成的超級(jí)計(jì)算集群（SuperScaler）。但是，停留在僅依賴超級(jí)計(jì)算集群的系統(tǒng)是遠(yuǎn)遠(yuǎn)不夠的，萬(wàn)億參數(shù)、多模態(tài)引入所造成的高昂計(jì)算成本、缺乏機(jī)制約束的數(shù)據(jù)隱私保護(hù)、幾秒鐘的延時(shí)都將阻礙大模型的普惠，極大地限制其在很多場(chǎng)景下的應(yīng)用。

鐘聲認(rèn)為，分布式端邊云結(jié)合的 AI 系統(tǒng)將有效解決這些痛點(diǎn)。這個(gè)系統(tǒng)將把計(jì)算和傳輸在各節(jié)點(diǎn)做合理地配置，系統(tǒng)會(huì)智能地以自適應(yīng)的方式把任務(wù)編排到端與邊上執(zhí)行，非常有效地降低了成本，同時(shí)提供了更低延時(shí)（低于1秒級(jí)的響應(yīng)速度）、更高網(wǎng)絡(luò)抖動(dòng)容忍度、優(yōu)秀的抗噪聲能力，并且完整的用戶數(shù)據(jù)只會(huì)保留在端上。

分享過(guò)程中，鐘聲還在大會(huì)現(xiàn)場(chǎng)演示了一個(gè)由STT、LLM、TTS 、RTC四個(gè)模塊組成的端邊結(jié)合實(shí)時(shí)對(duì)話AI智能體。大會(huì)現(xiàn)場(chǎng)觀眾規(guī)模超過(guò)千人，面臨復(fù)雜的噪聲、回聲、麥克風(fēng)延遲等困難，但智能體與鐘聲的互動(dòng)仍然表現(xiàn)出了優(yōu)秀的對(duì)話能力，在普通5G網(wǎng)絡(luò)環(huán)境下實(shí)現(xiàn)了流暢、自然、有趣的雙向?qū)崟r(shí)對(duì)話，對(duì)話模型的極快響應(yīng)速度、及時(shí)打斷與被打斷的自然程度、對(duì)抗噪聲能力、遵循語(yǔ)音指令做等待能力都非常突出。

最后，Lepton AI 創(chuàng)始人兼 CEO 賈揚(yáng)清、MiniMax 合伙人魏偉、面壁智能聯(lián)合創(chuàng)始人＆CTO 曾國(guó)洋、Hugging Face 工程師王鐵震、Agora 聯(lián)合創(chuàng)始人 Tony Wang 五位嘉賓一起探討了從 AI 基礎(chǔ)設(shè)施到 AI 商業(yè)化落地的機(jī)會(huì)與挑戰(zhàn)。