短短一周不到，视觉领域接连迎来新模型“炸场”，图像识别门槛大幅降低——这场AI热潮中鲜见动静的Meta终于出手，推出Segment Anything工具，可准确识别图像中的对象，模型和数据全部开源；国内智源研究院视觉团队也提出了通用分割模型SegGPT（Segment Everything in Context），这也是首个利用视觉上下文完成各种分割任务的通用视觉模型。

其中，Meta的项目包括模型Segment Anything Model（SAM）、数据集Segment Anything 1-Billion mask dataset（SA-1B），公司称后者是有史以来最大的分割数据集。

引起业内轰动的便是这一SAM模型：1. 正如名字“Segment Anything”一样，该模型可以用于分割图像中的一切对象，包括训练数据中没有的内容；2. 交互方面，SAM可使用点击、框选、文字等各种输入提示（prompt），指定要在图像中分割的内容，这也意味着，用于自然语言处理的Prompt模式也开始被应用在计算机视觉领域；3. 对于视频中物体，SAM也能准确识别并快速标记物品的种类、名字、大小，并自动用ID为这些物品进行记录和分类。

英伟达人工智能科学家Jim Fan将Meta的这项研究称作计算机视觉领域的“GPT-3时刻”之一——其分割方法可以通用，可对不熟悉的物体和图像进行零样本泛化，初步验证了多模态技术路径及其泛化能力。

进一步来说，SAM可以灵活集成于更大的AI系统。例如，理解网页的视觉和文本内容；在AR/VR领域，将头显用户视线作为提示来选择对象，然后将其“提升”到3D中；对于内容创作者，SAM可提取图像区域以进行拼贴或视频编辑；SAM还可通过定位动物或物体在视频中进行研究和跟踪。

另一方面，智源研究院视觉团队的SegGPT模型则更偏重于批量化标注分割能力。无论是在图像还是视频环境，用户在画面上标注识别一类物体，即可批量化识别分割出其他所有同类物体。例如，若在一张图像中标注彩虹，便可将其他图像中的彩虹也一同批量识别分割出来。

西部证券指出，Meta此次推出SAM，预示着大模型在多模态发展方面更进一步，布局计算机视觉/视频的厂商有望持续受；还有券商补充称，SAM模型突破了机器视觉底层技术。

国盛证券预计，预计1-5年内，多模态发展将带来AI泛化能力提升，通用视觉、通用机械臂、通用物流搬运机器人、行业服务机器人、真正的智能家居会进入生活；5-10年内，结合复杂多模态方案的大模型有望具备完备的与世界交互的能力，在通用机器人、虚拟现实等领域得到应用。

(文章来源于科创板日报)