CNCC | AI+海洋：海洋大模型何时到来？

仲国强

中国海洋大学教授/博导

CCF高级会员、CCF-CV执行委员、CCF青岛执行委员、CCF YOCSEF青岛副主席，中国海洋学会人工智能海洋学专委会常务委员。研究领域主要包括机器学习与模式识别等，出版英文专著3部、中文专著4部，在IEEE汇刊、Pattern Recognition、AAAI、IJCAI 等期刊和会议上发表论文100余篇，部分论文入选ESI高被引论文和热点论文，主持和参与国家重点研发计划、国家自然科学基金等项目多项，曾荣获BICS2019最佳会议论文奖和亚太神经网络学会（APNNS）青年研究者奖，担任国际SCI期刊Cognitive Computation副主编。

蔡青

中国海洋大学副教授/硕导

CCF会员、CCF计算机应用专委会委员、CAAI会员、CSIG会员、中国海洋大学青年英才，主要研究方向为计算机视觉、水下视觉、深度学习等。近5年已以第一作者或者通讯作者的身份在CCF A类会议和期刊ACM MM、IEEE TIP上发表20余篇学术论文。担任CVPR、ICCV、ECCV、AAAI、IEEE TIP等顶会顶刊审稿人。先后主持和参与国家自然科学基金、山东省自然科学基金、深圳市基础研究专项（自然科学基金）重点项目等项目。

董昌明

南京信息工程教授/博导、海洋科学学院院长、人工智能海洋联合研究院院长

南京信息工程大学国际地球流体研究中心主任，中国海洋学会人工智能海洋学专业委员会主任委员，基金委海外资深专家、科技部重点研发专项首席科学家。主要研究方向：海洋多尺度动力学、区域海洋数值模拟、实验地球流体力学和人工智能海洋学等。发表学术论文170余篇，其中SCI论文140多篇，出版专著六部。

人工智能海洋学发展现状与前景

本报告将回顾海洋大数据发展和人工智能在海洋学中的应用，特别是在海洋特征识别、海洋要素预报、海洋动力参数估算、海洋预报误差订正和海洋动力方程求解等方面的应用，旨在全面展示人工智能技术在海洋学研究领域的优势和潜力。此外，还聚焦于海洋数字孪生和人工智能大模型两个新兴的研究热点，展望未来人工智能海洋学的发展方向，为海洋学发展提供参考。

梁建峰

国家海洋信息中心正高级工程师、网络通信部主任

信息系统和技术专业正高级工程师，国家海洋信息中心网络通信部主任，主要承担海洋大数据、海洋信息通信传输、海洋数据库和信息系统等方向研究，近几年牵头实施省部级项目15项，牵头编制发布海洋行标6项，出版专著2部，取得发明专利6项，获得软件著作权10余项，发表论文10余篇。

海洋环境大数据快速获取和智能分析

围绕海洋环境数据的AI应用场景和业务需求，聚焦海洋大数据的快速获取、资源池构建和智能分析技术环节，主要交流国内外典型海洋环境实时观测数据等的快速获取技术，以及基于人工智能的数据分析和挖掘应用技术，同时结合业务应用场景介绍国家海洋信息通信网、海洋云算力资源、大数据算法库等大数据支撑环境。

董军宇

中国海洋大学教授/博导、信息科学与工程学部部长

CCF青岛主席（2018-2021），国家高层次人才计划科技创新领军人才，国际计算机学会（ACM）青岛分会主席，法国Interdisciplinary Graduate School for the Blue Planet (ISBlue)国际学术委员会委员。主要研究方向为计算机视觉、水下视觉及海洋大数据分析。主持承担了科技创新2030—“新一代人工智能”重大项目一项、科技部国际合作项目一项、国家自然科学基金项目六项，包括重大仪器（自由申请）项目一项、NSFC-山东联合基金一项。已在多个主流国际期刊发表论文100余篇，获得山东省自然科学二等奖一项。

海洋环境预报大模型初探

人工智能技术在各个领域展现出了巨大的潜力，包括地球科学领域。特别是机器学习和深度学习技术能够从复杂的数据中提取特征和模式，增强对地球系统行为的理解和预测。我们尝试构建琅琊泊海洋环境预报大模型，利用多任务学习、双编码器和动态像素开关损失函数实现对全球海面风场-浪场的订正，并推出面向全球的基于像素预报的强对流预警通用预训练模型。我们以提升北极海冰实时预报能力为应用点，力图实现北极海冰亚公里级预报系统。

李晓龙

中国科学院海洋研究所高级工程师

从事海洋光学遥感研究和人工智能海洋学应用。研究主要关注于海洋浮游植物类群的光学探测、遥感反演方法、及其时空分布格局对海洋动力环境的响应，相关成果在RSE、光学学报等国内外期刊发表。

AI与海洋浮游生物光学探测

AI与海洋浮游生物光学探测相结合，旨在解决海洋环境、生态和资源管理等领域的重要问题。该研究关注如何利用先进的计算机视觉、机器学习和数据分析方法，解析海洋浮游生物光学探测数据，从而深入了解海洋中的浮游生物分布格局和生态环境变化过程。通过分析遥感数据，人工智能可以帮助预测海洋中浮游植物的分布和浓度。利用深度学习算法，可以从复杂的光学信号中提取特征，实现对浮游植物生态系统的监测和预测。