Celem niniejszej pracy jest przedstawienie przeglądu integracji sztucznej inteligencji (AI), w szczególności uczenia głębokiego (DL), z naziemnymi chmurami punktów LiDAR w kontekście monitoringu lasów, a także identyfikacja trendów, najnowszych osiągnięć oraz kierunków rozwoju metod wspieranych przez AI. Najnowsze badania wskazują, że modele DL znacząco przewyższają tradycyjne metody uczenia maszynowego w zadaniach inwentaryzacji leśnej opartych na danych z naziemnego LiDAR-u. Osiągnięto kluczowe postępy m.in. w segmentacji semantycznej, polegającej na przypisywaniu etykiet punktom odpowiadającym różnym strukturom roślinnym (np. liściom, gałęziom, pniom), w segmentacji pojedynczych drzew oraz w klasyfikacji gatunkowej. Główne wyzwania obejmują brak znormalizowanych metryk oceny, ograniczone udostępnianie kodu i danych oraz problemy z replikowalnością badań. Krytycznym zagadnieniem jest konieczność posiadania rozległych danych referencyjnych, co utrudnia opracowywanie i ocenę odpornych modeli AI. W pracy zaproponowano rozwiązania, takie jak tworzenie wielkoskalowych zbiorów benchmarkowych czy wykorzystanie syntetycznych danych treningowych. Obiecujące paradygmaty AI, takie jak grafowe sieci neuronowe (GNN), uczenie semisuperwizyjne, uczenie samonadzorowane oraz modele generatywne wykazują duży potencjał, lecz w zastosowaniach leśnych pozostają nadal niewystarczająco eksplorowane. Przegląd podkreśla transformacyjną rolę AI, zwłaszcza DL, w zwiększaniu dokładności i efektywności monitoringu lasów przy użyciu naziemnych trójwymiarowych chmur punktów. Aby rozwijać tę dziedzinę, konieczne jest tworzenie kompleksowych zbiorów benchmarkowych, otwarte udostępnianie danych i kodu oraz eksploracja nowych architektur i paradygmatów uczenia głębokiego. Działania te są kluczowe dla poprawy replikowalności badań, umożliwienia analiz porównawczych oraz odkrywania nowych możliwości w zarządzaniu i ochronie lasów.