返回列表
微软宣布停用Teams“共聚模式”:疫情时代标志性虚拟会议功能将成历史
行业新闻微软Microsoft Teams远程办公

微软宣布停用Teams“共聚模式”:疫情时代标志性虚拟会议功能将成历史

微软正式确认将停用Teams应用中的“共聚模式”(Together Mode)。该功能最初于疫情期间推出,利用AI技术将远程参会者置于虚拟会议室场景中,旨在缓解远程办公的孤独感。随着办公模式的演变,微软决定通过移除该功能来简化Teams的用户体验,标志着远程协作工具正从“虚拟社交”转向“极致效率”。

The Verge

核心要点

  • 功能停用:微软已决定正式退役Teams中的“共聚模式”(Together Mode)。
  • 历史背景:该功能诞生于全球疫情期间,旨在通过AI技术模拟多人同处一室的视觉效果。
  • 调整原因:微软表示目前办公环境已发生变化,公司正致力于提供更加简化的Teams用户体验。
  • 技术原理:该功能主要依赖AI抠图与场景合成技术,将用户头像嵌入到虚拟的会议室背景中。

详细分析

疫情遗产的终结与办公形态的演变

“共聚模式”曾是微软在疫情期间对抗“视频会议疲劳”的重要武器。在那个远程办公成为唯一的选择的特殊时期,微软通过AI技术将参会者从各自的方框背景中“抠”出来,统一放置在虚拟的阶梯教室或会议室中。这种设计初衷是为了创造一种社交临场感,减少屏幕隔阂。然而,随着混合办公模式的成熟,用户对于会议工具的需求已从最初的“新奇感”转向了“高效率”。微软此次选择退役该功能,反映了办公软件正在剥离那些非核心的、装饰性的功能,回归到协作的本质。

追求极致简化的产品策略

根据原文信息,微软此次调整的核心逻辑在于“简化体验”。在过去几年中,Teams的功能经历了爆发式增长,但也导致了界面的复杂化。随着用户对工具流畅度和操作直观性要求的提高,微软开始对Teams进行“减法”操作。移除“共聚模式”不仅可以减少软件的运行负担,也能让用户界面更加清爽。这表明微软认为,在当前的办公语境下,这种模拟现实的“视觉幻象”已不再是提升生产力的关键,用户更倾向于简单、直接的沟通方式。

行业影响

微软此举对协作软件行业具有风向标意义。首先,它标志着远程办公软件“疫情红利期”功能的全面退场,行业重心正从“模拟线下体验”转向“优化线上流程”。其次,这反映了AI在办公领域的应用正在发生范式转移:从早期的视觉特效(如背景替换、共聚模式)转向更深层次的生产力辅助(如会议摘要、自动化工作流)。对于竞争对手而言,微软的这一简化策略可能会引发新一轮的协作工具“瘦身潮”,推动行业重新评估哪些AI功能才是用户真正长期需要的。

常见问题

问题 1:为什么微软要现在停用“共聚模式”?

根据官方信息,主要是因为“时代已经改变”。该功能是为解决疫情期间的特殊需求而设计的,而现在微软更倾向于提供一个更简化、更高效的Teams体验,因此决定移除这一相对复杂且使用场景受限的功能。

问题 2:“共聚模式”的技术核心是什么?

该功能主要利用AI技术对参会者进行实时的人像分割(抠图),并将其重新排列在一个共享的虚拟背景中,从而营造出一种大家坐在同一个物理空间(如会议室或咖啡馆)的错觉。

问题 3:停用该功能后,Teams会有什么变化?

用户将无法再选择进入虚拟的“共聚模式”场景。Teams的整体界面和操作流程将变得更加简洁,符合微软目前追求的简化产品体验的战略方向。

相关新闻

ACL 2026美团技术团队论文精选:深度解析大模型评测与推理优化新范式
行业新闻

ACL 2026美团技术团队论文精选:深度解析大模型评测与推理优化新范式

美团技术团队在自然语言处理顶级会议ACL 2026中共有6篇论文被收录。这些研究涵盖了大模型评测、复杂流程推理、竞赛级数学思维优化、强化学习优化及生成式推荐等前沿领域。本文将深入分析美团如何通过这些技术突破,构建生成式AI的新范式,并探讨其对行业发展的深远影响。

美团技术团队分享:用Agent评测思路管理31万行代码AI重构的实战经验
行业新闻

美团技术团队分享:用Agent评测思路管理31万行代码AI重构的实战经验

美团技术团队近期分享了其在AI Coding领域的深度实践。针对90%以上代码由AI生成的现状,团队提出通过Agent评测思路来约束AI能力,防止代码混乱。通过技术债梳理、Rule建设、重构SOP和Pre-PR机制,美团成功完成了31万行代码的重构,将重构工作从高成本专项转变为随迭代持续推进的日常动作。

LARYBench发布:定义具身动作表征“ImageNet”,揭示通用视觉模型显著优势
行业新闻

LARYBench发布:定义具身动作表征“ImageNet”,揭示通用视觉模型显著优势

美团技术团队正式发布LARYBench(Latent Action Representation Yielding Benchmark),这是一个旨在从大规模视觉数据中学习通用隐式动作表征的系统化评测基准。研究表明,通用视觉模型在动作泛化与控制精度上表现优于专门的具身专家模型,并证实了具身动作表征可从大规模人类视频数据中涌现,为具身智能研究提供了全新的度量标准。