短短一周不到，視覺領域接連迎來新模型“炸場”，圖像識別門檻大幅降低——

這場AI熱潮中鮮見動靜的Meta終于出手，推出Segment Anything工具，可準確識別圖像中的對象，模型和數據全部開源；

國內智源研究院視覺團隊也提出了通用分割模型SegGPT(Segment Everything in Context)，這也是首個利用視覺上下文完成各種分割任務的通用視覺模型。

其中，Meta的項目包括模型Segment Anything Model(SAM)、數據集Segment Anything 1-Billion mask dataset(SA-1B)，公司稱后者是有史以來最大的分割數據集。

引起業內轟動的便是這一SAM模型：

1. 正如名字“Segment Anything”一樣，該模型可以用于分割圖像中的一切對象，包括訓練數據中沒有的內容；
2. 交互方面，SAM可使用點擊、框選、文字等各種輸入提示(prompt)，指定要在圖像中分割的內容，這也意味著，用于自然語言處理的Prompt模式也開始被應用在計算機視覺領域。
3. 對于視頻中物體，SAM也能準確識別并快速標記物品的種類、名字、大小，并自動用ID為這些物品進行記錄和分類。

英偉達人工智能科學家Jim Fan將Meta的這項研究稱作計算機視覺領域的“GPT-3時刻”之一——其分割方法可以通用，可對不熟悉的物體和圖像進行零樣本泛化，初步驗證了多模態技術路徑及其泛化能力。

進一步來說，SAM可以靈活集成于更大的AI系統。例如，理解網頁的視覺和文本內容；在AR/VR領域，將頭顯用戶視線作為提示來選擇對象，然后將其“提升”到3D中；對于內容創作者，SAM可提取圖像區域以進行拼貼或視頻編輯；SAM還可通過定位動物或物體在視頻中進行研究和跟蹤。

另一方面，智源研究院視覺團隊的SegGPT模型則更偏重于批量化標注分割能力。無論是在圖像還是視頻環境，用戶在畫面上標注識別一類物體，即可批量化識別分割出其他所有同類物體。

例如，若在一張圖像中標注彩虹，便可將其他圖像中的彩虹也一同批量識別分割出來。

西部證券指出，Meta此次推出SAM，預示著大模型在多模態發展方面更進一步，布局計算機視覺/視頻的廠商有望持續受；還有券商補充稱，SAM模型突破了機器視覺底層技術。

國盛證券預計，預計1-5年內，多模態發展將帶來AI泛化能力提升，通用視覺、通用機械臂、通用物流搬運機器人、行業服務機器人、真正的智能家居會進入生活；5-10年內，結合復雜多模態方案的大模型有望具備完備的與世界交互的能力，在通用機器人、虛擬現實等領域得到應用。