请务必阅读正文之后的免责声明及其项下所有内容证券研究报告|2023年08月04日超配人工智能行业专题：SAM带领CV领域技术突破，赋能多场景AI应用核心观点行业研究·行业专题计算机超配·维持评级证券分析师：熊莉证券分析师：库宏垚021-61761067021-60875168xiongli1@guosen.com.cnkuhongyao@guosen.com.cnS0980519030002S0980520010001市场走势资料来源：Wind、国信证券经济研究所整理相关研究报告《计算机行业2023年7月暨中期投资策略-紧抓算力、大模型、应用迭代周期，把握AI带来信息产业革命》——2023-07-17《甲骨文OCI：高性能+经济性，抢占AI云市场》——2023-07-09《ChatGPT用户数据：用户时长及流量分析》——2023-06-28《人工智能行业专题：海外AI基础软件被认可》——2023-06-19《计算机行业2023年6月投资策略-AI大模型发展新趋势，关注AI应用+监管》——2023-06-13SAM模型为CV领域的ChatGPT，为计算机视觉带来技术突破。Meta公司近期推出了其创新的AI模型——SegmentAnythingModel(SAM)，专门用于计算机视觉（CV）领域的图像分割任务。这一模型吸取了ChatGPT基于提示（Prompt）的学习范式，实现了预训练与特定下游任务之间的紧密结合，从而显著提高了模型的泛化能力。更为出色的是，SAM还展现出了卓越的零样本学习效果。SAM的设计初衷和核心愿景是为了简化图像分割流程。它旨在减少对专业建模知识的依赖，同时也降低了大规模训练计算的需求。与此同时，SAM模型还大大降低了用户手动标注掩码的需求。其最终目标是使用户在“不会/少会操作、不标注/少标注数据、不训练/少训练模型”的前提下，也能够实现高效的图像目标分割。SAM引起AI届的广泛关注和讨论，并产生相关衍生模型，提升模型功能，增加应用可能性。其衍生模型在分割效率、医学影像分割、阴影缺陷检测、伪体识别和动态图像分割等领域有性能提升，如SEEM模型结合了SAM的零样本泛化能力和检测器，可以根据多种用户输入分割图像或视频中的内容；MedSAM对SAM进行微调，专门针对医学影像分割，并显示出比SAM更优的性能；通过适配方法生成SAM-Adapter，其性能得以提升，特别是在阴影检测和伪装物体分割等任务上；SAM-Track项目拓展了SAM模型，增强其视频分割能力，可广泛应用于多种视频场景，提供高准确性和可靠性的视频编辑功能。SAM衍生模型或可应用与运动场景、医学影像、遥感图像等图像分割难度较大的领域。SAM及其衍生模型可基于强大的性能赋能多场景应用，催生巨大应用蓝海。如SAM在零样本学习上表现优秀，可减少已有的CV领域训练数据量，实现降本增效；或在在标记数据稀缺或获取成本高的领域有许多潜在的应用。可将大模型应用在CV领域的制造业赛道，如工业机器视觉行业；可将模型应用于计算机视觉的下游应用赛道，包括自动驾驶、安防系统、AR领域等；此外遥感图像、医学影像领域，由于图像分割难度较高，技术还需突破，可长期关注。风险提示：1、技术发展不及预期；2、算力、数据支持不及预期；3、应用落地不及预期；4、行业竞争加剧。投资建议：建议关注AIGC在CV领域应用的相关赛道，维持超配评级。AI大模型正在推动空天信息产业的发展，其中遥感大模型技术日益显现其重要性。相对于传统方法的局限性，大模型提供了统一分割、识别和生成遥感图像的能力，显著提高了效率和鲁棒性。基于此推荐相关标的1）航天宏图：推出了天权大模型，提升了各类遥感数据的处理性能；2）中科星图：推出了空天灵眸大模型，推动在线数字地球业务。重点公司盈利预测及投资评级公司公司投资昨收盘总市值EPSPE代码名称评级（元）（亿元）2023E2024E2023E2024E688066.SH航天宏图买入61.70160.391.582.3039.0526.82688568.SH中科星图买入48.50177.240.951.3251.0536.74资料来源：Wind、国信证券经济研究所预测 请务必阅读正文之后的免责声明及其项下所有内容证券研究报告2内容目录SAM模型：CV领域的ChatGPT...........................................................................................................5SAM：“分割一切”的AI新模型......................................................................................................................5Prompt：将ChatGPT的学习思维应用在CV领域............................................................................................5ZSL：零样本学习降本增效，提高模型泛化能力............................................................................................9SA-1B：迄今为止最大的分割数据集，助力模型增效..................................................................................10SAM核心优势：减少训练需求，提升分割性能.............................................................................................12基于SAM二次创作，衍生模型提升性能........................................................................................13SEEM：交互、语义更泛化，分割质量提升....................................................................................................13MedSAM：提升感知力，应用医学图像分割....................................................................................................15SAM-Adapter：阴影检测再升级，伪体分割更精准......................................................................................16SAM-Track：扩展SAM应用领域，增强视频分割性能..................................................................................18SAM及衍生模型赋能多场景应用.....................................................................................................18基于3D重建，赋能AR、游戏.........................................................................................................................18跟踪运动物体，赋能安防监控........................................................................................................................19解决长尾难题，赋能自动驾驶........................................................................................................................20提高分割性能，赋能遥感图像........................................................................................................................21算力应用驱动，赋能机器视觉........................................................................................................................24投资建议............................................................................................................................................26风险提示............................................................................................................................................28 请务必阅读正文之后的免责声明及其项下所有内容证券研究报告3图表目录图1：SAM模型官方文章............................................................................................................................................5图2：自然语言处理（NLP）的常用算法和模型.....................................................................................................6图3：预训练模型（PLM）的发展阶段和特征.........................................................................................................6图4：基于提示的学习（prompt-basedlearning)各分支...................................................................................7图5：传统的预训练+微调模型以及prompt范式...................................................................................................7图6：Fine-tune和prompt两种范式的区别..........................................................................................................8图7：预训练+下游任务微调（PLM+Fine-tun