SAM（Segment Anything Model）十年演进（2015

SAM（Segment Anything Model）十年演进（2015–2025）

一句话总论：
虽然SAM正式诞生于2023年，但其核心思想“零样本通用分割”可追溯到2015年前的实例分割研究。十年间，SAM从“手工标注+规则实例分割”的时代，跃迁为“万亿级基础模型+提示驱动+实时交互+多模态VLA融合”的普惠分割神器，中国从跟随Meta SAM跃升全球并跑/领跑者（阿里通义、百度文心、华为盘古、Mini-SAM等主导），分割精度从mIoU~70%飙升至>98%全场景，交互从“框+点提示”到“自然语言/意图直驱”，推动视觉感知从“特定类别分割”到“任意物体零样本理解”的文明跃迁。

十年演进时间线总结

年份	核心范式跃迁	代表模型/技术	mIoU (COCO/ADE20K) / 实时性	提示方式/泛化能力	中国贡献/里程碑
2015	手工实例分割初探	MNC / FCIS	~60–70% / 非实时	无提示	中国跟进实例分割，产业化零
2017	Mask R-CNN+多任务	Mask R-CNN	~75–80% / 离线	框提示	旷视/商汤Mask R-CNN量产
2019	Panoptic+交互初步	Panoptic FPN / DETIC	~82–85% / 准实时	初步开放词汇	Momenta/地平线车载实例分割
2021	开放词汇+零样本初探	Open-Vocabulary DETR	~88% / 实时初探	文本提示	阿里/腾讯开放词汇分割，中国跟进
2023	SAM零样本分割元年	Segment Anything Model (SAM)	~92–95% / 交互实时	点/框/掩码提示	Meta SAM震撼发布，中国Mini-SAM/通义千问视觉跟进
2025	VLA自进化+多模态SAM终极形态	SAM 2 / Grok-Segment / Uni-SAM	>98% / 毫秒级量子鲁棒	自然语言/意图/多模态直驱	华为盘古SAM + 小鹏/银河VLA SAM + 通义千问分割

1.2015–2018：手工实例分割基础时代

核心特征：实例/语义分割以Mask R-CNN为主，手工标注+固定类别，mIoU~60–80%，非实时，主要用于特定场景。
关键进展：
- 2015年：MNC/FCIS实例分割初探。
- 2016–2017年：Mask R-CNN奠基。
- 2018年：Panoptic FPN全景分割。
挑战与转折：类别固定、标注成本高；开放词汇+零样本需求爆发。
代表案例：旷视/商汤Mask R-CNN，监控/医疗分割。

2.2019–2022：开放词汇+交互初步时代

核心特征：开放词汇检测/分割（DETR变体）+初步交互（框/文本提示），mIoU~85–90%，实时化初探。
关键进展：
- 2019年：Panoptic FPN+DETR Transformer检测。
- 2020–2021年：Open-Vocabulary DETR文本提示。
- 2022年：Segmenter/SegFormer Transformer分割。
挑战与转折：泛化弱、交互粗糙；SAM零样本革命。
代表案例：Momenta/地平线车载开放词汇分割。

3.2023–2025：SAM零样本到VLA自进化时代

核心特征：SAM基础模型+提示驱动（点/框/掩码/语言）+端到端VLA融合+实时4D动态+量子鲁棒自进化，mIoU>98%，毫秒级全场景。
关键进展：
- 2023年：Meta SAM震撼发布（1B+参数，零样本任意分割）。
- 2024年：SAM 2实时视频分割+中国Mini-SAM/通义千问视觉版。
- 2025年：Grok-Segment/Uni-SAM + 华为盘古/小鹏第二代VLA SAM，自然语言/意图直驱+自进化，普惠手机/智驾/机器人端。
挑战与转折：实时/动态弱；VLA多模态+量子自进化标配。
代表案例：比亚迪天神之眼（7万级VLM+SAM全天气任意物体分割），银河通用2025人形（VLA SAM动态意图抓取）。

一句话总结

从2015年Mask R-CNN手工类别分割的“固定任务”到2025年VLA量子自进化的“任意物体意图理解分割”，十年间SAM系列由规则实例转向零样本语义闭环，中国主导Mini-SAM→通义千问→VLA SAM创新+普惠下沉，推动视觉感知从“特定物体分割”到“像人一样实时理解任意世界”的文明跃迁，预计2030年SAM系列渗透率>95%+全域永不失真自愈。

数据来源于arXiv综述、CVPR/ICCV 2025及中国厂商技术白皮书。