河海大学唐佑民教授作题为《人工智能同化研究进展与展望》的报告。报告围绕人工智能与数据同化方法融合这一前沿方向，系统介绍了深度学习模型与传统同化算法相结合的代表性进展，重点分析了神经网络参数化方案与变分同化耦合、端到端可微同化框架、物理约束深度学习架构等新方法。唐佑民指出，随着人工智能技术快速发展，数据同化领域正在经历深刻范式变革。面对高维地球物理场同化中的“维数灾难”问题，潜空间同化方法通过将高维状态降维至低维潜空间开展同化，有望显著提升计算效率。扩散模型等生成式人工智能的兴起，也为条件同化、复杂场重构和不确定性表达提供了新的技术路径。未来，人工智能同化应进一步强化物理一致性、可解释性和业务适用性，推动构建兼具科学可信度和计算效率的新一代同化系统。