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)在北京正式開(kāi)幕，本屆大會(huì)主題為“AI愛(ài)”，覆蓋AI、出海、社交泛娛樂(lè)、IoT、VoiceAI、空間計(jì)算等20+行業(yè)及技術(shù)分論壇。在RTE2024主論壇上，聲網(wǎng)創(chuàng)始人兼CEO趙斌、LeptonAI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，并現(xiàn)場(chǎng)宣布推出RTE+AI能力全景圖。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：生成式AI將驅(qū)動(dòng)IT行業(yè)四大變革

生成式AI正在驅(qū)動(dòng)IT行業(yè)發(fā)生大變革，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AIPC和AIPhone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SoftwarewithAI發(fā)展至AINativeSoftware。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，AINativeCloud將成為主流。此外，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RealtimeAPI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)RealtimeAPI。趙斌也展示了聲網(wǎng)基于MiniMaxRealtimeAPI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。

在生成式AI的大潮下，RTE將會(huì)提供更為廣闊的空間。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)AIAgent、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。

過(guò)去十年，聲網(wǎng)不僅見(jiàn)證并推動(dòng)了RTE從一個(gè)理念變成一個(gè)行業(yè)的過(guò)程，更身體力行的打破了國(guó)內(nèi)實(shí)時(shí)音視頻領(lǐng)域的三無(wú)狀態(tài)。趙斌稱，10年前行業(yè)內(nèi)沒(méi)有行業(yè)會(huì)議、專業(yè)書(shū)籍、以及專業(yè)媒體和社區(qū)。如今，RTE大會(huì)邁入第10年，聲網(wǎng)也于今年8月正式出版行業(yè)首本系統(tǒng)介紹實(shí)時(shí)互動(dòng)的技術(shù)型科普?qǐng)D書(shū)《讀懂實(shí)時(shí)互動(dòng)》，同時(shí)，RTE開(kāi)發(fā)者社區(qū)也持續(xù)繁榮，加速推動(dòng)。

賈揚(yáng)清：AI是云的第三次浪潮

隨著AI技術(shù)的發(fā)展，AI時(shí)代的大模型應(yīng)用開(kāi)發(fā)、AI云、以及GPU等基礎(chǔ)設(shè)施建設(shè)逐漸成為熱門話題，也成為了支撐整個(gè)行業(yè)發(fā)展、催生新應(yīng)用誕生、新商業(yè)價(jià)值實(shí)現(xiàn)的基本底座。LeptonAI創(chuàng)始人兼CEO賈揚(yáng)清在RTE2024主論壇上分別從AI應(yīng)用、云、GPU算力云技術(shù)以及企業(yè)大模型自主性等層面帶來(lái)了他對(duì)AI基礎(chǔ)設(shè)施進(jìn)化的解讀。

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。AI云有以下三個(gè)特征：算力會(huì)成為智能的基礎(chǔ)、AI云需要大量計(jì)算與大規(guī)模的異構(gòu)集群，以及少量但高質(zhì)量的通訊?？傮w而言，云的產(chǎn)品形態(tài)，本質(zhì)是計(jì)算和傳輸?shù)钠胶狻?/p>

賈揚(yáng)清指出，在AI云的形態(tài)下，實(shí)時(shí)的交流和智能的結(jié)合在用戶體驗(yàn)環(huán)節(jié)非常重要。毫不夸張的說(shuō)，實(shí)時(shí)將直接與生產(chǎn)力劃上等號(hào)。

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。

鐘聲：分布式端邊云結(jié)合的AI系統(tǒng)將成為現(xiàn)代基礎(chǔ)設(shè)施的基本形態(tài)

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，這也是全球首次有廠商在比日常實(shí)際場(chǎng)景更具挑戰(zhàn)的環(huán)境下展示實(shí)時(shí)AI對(duì)話能力。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。

正如鐘聲在最后分享的，隨著端設(shè)備的多樣化以及能力的提升，AI基礎(chǔ)設(shè)施會(huì)變得更優(yōu)化合理，使得AI無(wú)處不在，AI助理、AI分身幫助我們有效緩解時(shí)間稀缺性，改善工作效率和生活體驗(yàn)。

圓桌：AI的6000億難題，從基礎(chǔ)設(shè)施到商業(yè)化落地

AI的6000億美元難題，一直都是整個(gè)行業(yè)非常關(guān)心的話題，在圓桌討論環(huán)節(jié)中，LeptonAI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、HuggingFace工程師王鐵震、Agora聯(lián)合創(chuàng)始人TonyWang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)。

針對(duì)商用大模型和開(kāi)源大模型未來(lái)的發(fā)展趨勢(shì)，賈揚(yáng)清分享了兩個(gè)核心觀點(diǎn)：其一，同等質(zhì)量模型的Size會(huì)變得越來(lái)越小，計(jì)算效率會(huì)越來(lái)越高，模型架構(gòu)也會(huì)變得更加開(kāi)放和標(biāo)準(zhǔn)。其二，除了極少數(shù)頭部公司之外，越來(lái)越多的企業(yè)會(huì)采用開(kāi)源架構(gòu)來(lái)做下一代模型。因此，開(kāi)源架構(gòu)的應(yīng)用會(huì)變的越來(lái)越普遍，通過(guò)開(kāi)源架構(gòu)訓(xùn)練出來(lái)的模型也都會(huì)有各自不同的風(fēng)格。

王鐵震則表示，我們將在未來(lái)看到越來(lái)越多Infra和Realtime的工作，大家不僅需要關(guān)注開(kāi)源模型本身，還需要重視開(kāi)源模型的基礎(chǔ)設(shè)施和數(shù)據(jù)閉環(huán)，才能把開(kāi)源模型跑得更好、更快。Realtime需要TTS、也需要大模型，如果能夠通過(guò)一些方式放在一起，放在邊緣側(cè)、離用戶更近的地方，才能產(chǎn)生非常好的效果。

關(guān)于如何看待音視頻多模態(tài)模型的實(shí)際應(yīng)用潛力，魏偉表示，隨著多模態(tài)的出現(xiàn)，生成式人工智能的邊界一定會(huì)被繼續(xù)拓展，并加速這一產(chǎn)業(yè)的變革。從產(chǎn)品和用戶服務(wù)過(guò)程中魏偉發(fā)現(xiàn)，文本、語(yǔ)音、音樂(lè)、視頻這些模型可以很好的幫助藝術(shù)、影視、音樂(lè)等領(lǐng)域的創(chuàng)作者極大地提高效率，并為他們提供新的思路和方法。

針對(duì)大模型技術(shù)巨大的成本使用問(wèn)題，曾國(guó)洋分享到，隨著技術(shù)的前進(jìn)，算力一定會(huì)變得越來(lái)越便宜，相同能力的模型規(guī)模也會(huì)變得越來(lái)越小，但算力成本優(yōu)化會(huì)最終轉(zhuǎn)化為訓(xùn)練更強(qiáng)大的模型。真正達(dá)到AGI水平之前，我們只能感受到模型在變得越來(lái)越強(qiáng)，很難感受到成本的變化。他還提到，由于面壁智能是做端側(cè)模型的，所以很關(guān)注如何讓模型在端上跑得更快，在實(shí)際部署過(guò)程中，他們會(huì)用各種量化壓縮甚至是稀疏化方法去優(yōu)化實(shí)際部署的開(kāi)銷。

總結(jié)來(lái)說(shuō)，TonyWang認(rèn)為想要推動(dòng)AIInfra到模型、再到商業(yè)化落地，技術(shù)驅(qū)動(dòng)和成本是最核心的兩個(gè)點(diǎn)。此外，在產(chǎn)品真正走向市場(chǎng)的過(guò)程中，流量和口碑也是關(guān)鍵。

過(guò)去十年，聲網(wǎng)不僅見(jiàn)證并推動(dòng)了RTE從一個(gè)理念變成一個(gè)行業(yè)的過(guò)程，更身體力行的打破了國(guó)內(nèi)實(shí)時(shí)音視頻領(lǐng)域無(wú)行業(yè)會(huì)議、無(wú)專業(yè)書(shū)籍、無(wú)專業(yè)媒體及社區(qū)的三無(wú)狀態(tài)。自此，RTE大會(huì)邁入第10年，行業(yè)首本系統(tǒng)介紹實(shí)時(shí)互動(dòng)的技術(shù)型科普?qǐng)D書(shū)《讀懂實(shí)時(shí)互動(dòng)》于今年8月正式出版，RTE開(kāi)發(fā)者社區(qū)也正在秉持著“開(kāi)放、連接、共創(chuàng)”的理念加速實(shí)時(shí)互動(dòng)和AI的共生。

未來(lái)，聲網(wǎng)將繼續(xù)和大家一起，站在全新的起點(diǎn)、擁抱繁榮且充滿挑戰(zhàn)的AI+RTE新時(shí)代。