过去十多年，机器视觉已经进入大量工业场景。工人有没有戴安全帽、产品表面有没有瑕疵、设备是不是冒烟，这类任务都已经不陌生。

　　但传统视觉算法往往很“专一”。识别安全帽是一套模型，检测某种产品缺陷又是一套模型，一旦目标换了、环境变了，往往需要重新准备数据、重新标注、重新训练。真实的生产现场，却不会永远按照事先准备好的“题库”出题。

　　地铁施工中的“工器具出清”就是一个很典型的例子。施工人员进场前，要把人员、工具、设备摆好拍照。施工结束后，再拍一张，比对两张照片看人是不是都出来了，工具是不是都带走了。

　　但难点在于，工器具种类可能非常多，摆放方式、拍摄角度也一直变化。这不是简单的“找不同”，因为机器需要知道照片里分别是什么，再理解两张图之间究竟少了什么。

　　于是，星际大模型把视觉和语言放在同一个模型中。极视角相关负责人介绍，基于十年AI积累和10亿+真实场景数据集自主研发，其可以通过自然语言指令直接定义视觉任务，实现零样本、少样本理解，超过80%的视觉感知场景可以无需重新完成一轮标注和训练。

　　过去是开发人员先把规则写给AI，现在开始变成用户直接告诉AI“帮我找什么”，比如“找出没有戴安全帽的人”“看看施工前后少了哪些工具”。视觉AI从固定类别识别，往开放场景理解迈了一步。