SAM 发布之后，很多人第一时间进行了实测，一些网友还结合自身的工作领域打开了 SAM 更广的应用想象空间。

自然科学研究者——将SAM和卫星图像结合在了一起，表示SAM能够很好的识别和找到他标记的风貌类型。

神经外科影像学从业者——将SAM用到了一个脊髓血管病的病例文件之中，认为SAM在帮助判断和分析病情上有很大帮助。

生物学家——输入一张显微镜下的组织图片，即使图中形状特征毫无规律，SAM也能够自动识别多细胞结构中的腺体、导管、动脉等，SAM 在未来能够节省大量手动注释的时间。

骑行爱好者——将地图和SAM结合起来，认为能够帮助自己未来更快更高效地给地图做标记。

农场管理者——借助 SAM 监管农场动物，进行作物培植生产研究等。

AI研究专家——英伟达人工智能科学家 Jim Fan 表示 SAM 已经基本能够理解“物品”的一般概念，即使对于未知对象、不熟悉的场景（例如水下和显微镜里的细胞）。

SAM 之于计算机视觉，就像是 GPT 之于大语言模型。

论文解读

在 Meta 的论文《Segment Anything》中，新模型全名为Segment Anything Model，图像注释集名为Segment Anything 1－Billion （SA－1B），据称这是有史以来最大的分割数据集。

论文地址：https：／／arxiv．org／abs／2304．02643

此前解决分割问题大致有两种方法。第一种是交互式分割，第二种是自动分割。前者需要人通过迭代完善一个遮罩来指导模型，后者需要大量的手动注释对象来训练。两种方法都无法实现全自动的图像分割。SAM 很好的概括了这两种方法，可以轻松地执行交互式分割和自动分割。

本篇论文中，研发人员提到了SAM 的灵感来源于自然语言处理领域。在 NLP 领域，基础模型可以使用prompting技术对新数据集和任务执行零样本和少样本学习。

而在CV领域，具体到 SAM 中，研究人员训练的 SAM 可以针对任何提示返回有效的分割掩码。提示可以是前景、背景点、粗框或掩码、自由格式文本等等能指示图像中要分割内容的任何信息。

在Web浏览器中，SAM有效映射图像特征和一组提示嵌入来生成分割掩码

除了新模型 SAM，Meta还发布了迄今为止最大的分割数据集 SA－1B。

数据集由 SAM 收集，此数据集已是迄今为止最大的数据。注释员使用 SAM 交互式地注释图像，然后新注释的数据反过来更新 SAM，重复执行此循环来改善模型和数据集。

SA－1B 图像数据集包含超过11亿个掩码，这些掩码是从1100万张已经获得许可、并且保护隐私的高分辨率图像中收集的，这些图像的分辨率达到了1500×2250 pixels，平均每张图像约有100个掩码。甚至可以媲美以前规模小得多、完全手动注释的数据集中的掩码。

Meta 官方称，通过在业内共享这项研究和数据集，进一步加速对分割图像视频的研究，为AR／VR、内容创作、科学领域和更普遍的 AI 系统等领域的强大组件，释放出更加强大、通用的人工智能系统。