iRTE 2026: قراءة في نماذج الزمن الحقيقي التي تراهن عليها OpenAI وThinking Machines

أعلنت المنصة الصينية Jiqizhixin (机器之心) عن جلسة نقاش في مؤتمر iRTE 2026 حول نماذج التفاعل في الزمن الحقيقي. وبحسب صياغة المنظمين، تراهن OpenAI وThinking Machines Lab على هذا الاتجاه. فخلال العام الأخير، توقفت الفرق العاملة على النماذج متعددة الوسائط عن تحسين «الرد الصوتي الأكثر إنسانية» وانتقلت إلى مهمة أصعب: كيف يشارك الذكاء الاصطناعي في تفاعل (互动) يجري في هذه اللحظة بالذات. ولا يتضمن الجزء المتاح من الإعلان برنامج المؤتمر ولا المتحدثين ولا المواعيد، لكن طريقة طرح القضية نفسها تُظهر إلى أين انتقل التركيز.

ثلاث مراحل لمهمة واحدة

يصف المنظمون التطور في صورة سلّم من ثلاثة مستويات:

• النماذج ثنائية الاتجاه الكامل (full-duplex). يستمع الوكيل ويتحدث في الوقت نفسه. ويمكن مقاطعته، ولا يعدّ الوقفة في الكلام نهاية دوره في الحديث.
• الوسائط المتعددة الكاملة (omni). تُعالَج الصوت والرؤية وإشارات أخرى معًا، ويستند القرار إلى الصورة كاملة، لا إلى نص مفرَّغ من الكلام.
• النماذج التفاعلية. الخطوة التالية: فهم ما يجري بالضبط في المحادثة في هذه الثانية، واختيار الفعل التالي.

وتضيف كل مرحلة إلى سابقتها طبقة جديدة من المسؤولية. فنموذج الدوبلكس يعالج مسألة التوقيت: متى يبدأ الكلام ومتى يصمت. ونموذج omni يعالج مسألة الإدراك: ما الذي يراه النموذج وما الذي يسمعه. أما النموذج التفاعلي فيتولى معنى الموقف: من يقود الحديث الآن، وماذا ينتظر المحاور، وهل من المناسب التدخل.

لماذا يبدو الرهان على الزمن الحقيقي منطقيًا

عملت المساعدات الصوتية من الجيل الأول وفق مخطط «سمع، فرّغ، فكّر، نطق». وأي سلسلة من هذا النوع تسبب تأخرًا وتتعثر أمام الكلام الحي، حيث يقاطع الناس بعضهم ويصححون أنفسهم ويقولون «يعني…» بدلًا من الإجابة. وقد تكون جودة الصوت المُركَّب عالية، لكن المحادثة تبقى أشبه بتبادل رسائل مكتوبة.

نقلت OpenAI بالفعل أوضاع الصوت وواجهة Realtime API إلى مستوى المنتجات. أما Thinking Machines Lab، وهي شركة ناشئة أسستها ميرا موراتي، المديرة التقنية السابقة في OpenAI، فتتجه بحسب المنظمين في الاتجاه نفسه. وحين يصل فريقان بهذا المستوى إلى الوجهة ذاتها بصورة مستقلة، فهذه إشارة للسوق. فالمحادثة في الزمن الحقيقي تتحول إلى فئة مستقلة من المهام لها مقاييسها ومعماريتها، وليست طبقة إضافية فوق LLM نصي.

ما لم يُكشف عنه

لا يتضمن الإعلان أي اختبارات معيارية ولا أسماء نماذج ولا مواعيد. وعبارة «تراهن الشركتان» صادرة عن منظمي المؤتمر، ولا يتضمن النص تأكيدًا من الشركتين نفسيهما. كما أن مصطلح «النموذج التفاعلي» ليس له تعريف موحد بعد: فلم يوضح المنظمون أين يمر الحد بين وكيل omni قوي ونموذج يفهم مجرى التفاعل. ويبدو، بحسب الموضوع المعلن، أن النقاش الجوهري حول هذه المسألة سيجري في المؤتمر نفسه.

ما الذي ينبغي أن تفحصه الفرق التي تبني وكلاء صوتيين

إذا كنتم تبنون وكيلًا صوتيًا أو مرئيًا، فلهذا التحول نتيجة عملية: سيتعين إعادة النظر في مقاييس الجودة. فدقة التعرف على الكلام وطبيعية الصوت وحدهما لم تعودا كافيتين. ومن المفيد قياس ما يلي:

• التأخر بين نهاية كلام المستخدم وبداية الرد؛
• صحة الاستجابة للمقاطعة: هل صمت الوكيل وهل حافظ على السياق؛
• نسبة التدخلات الخاطئة، أي حين بدأ الوكيل الكلام بينما كان الإنسان يفكر فحسب؛
• القدرة على استخدام السياق البصري إن كان متاحًا: الشاشة أو الكاميرا أو الإيماءات.

ومن المفيد أيضًا أن تحسموا مسبقًا ما الذي تبنونه: سلسلة متتالية من ASR وLLM وTTS منفصلة، أم نموذجًا واحدًا يعمل مع الصوت مباشرة. ويتعايش النهجان حاليًا، لكن النقاش في iRTE 2026 يُظهر إلى أين تتجه الشريحة العليا من السوق.