全球海洋预报关系着气候监测、航海导航和极端天气预警。传统数值模式靠物理方程建模，算得准但成本极高。深度学习模型快，但大多数都建立在结构化网格上——把海洋切成一个个均匀的方块。

结构化网格有两个问题。一是陆地区域被掩蔽，但网格依然存在，白白浪费算力。二是海洋不同区域的流动复杂度差别很大，近岸、洋流、涡旋区域需要细分辨率，开阔大洋则可以粗一些。均匀网格不会区分这些，一律按最高精度算。

arXiv 上的新论文 OceanLight 换了个思路：用几何自适应的无结构网格。哪里复杂就切细一点，哪里平稳就切粗一点。这种网格在传统数值模拟里很常见，但深度学习中不流行，因为不规则结构不好处理。OceanLight 用图神经网络（GNN）做主干，把每个网格单元当作图上的节点，自适应处理非均匀结构。

效果如何？论文给出的数据是：点对点预报精度（每个网格单元的预测误差）和动能谱保真度（不同尺度运动的能量分布）超过了业务化数值分析和现有最好的 AI 模型；地转平衡一致性（压力梯度与科氏力的平衡关系）超过了所有 AI 模型；还能可靠地表示中尺度涡旋（几十到几百公里的海洋旋涡），这些是点对点误差指标不一定能捕捉的物理结构。

效率提升更直接：和结构化网格基线相比，GPU 内存占用减少 62%，FLOPs 减少 70%。也就是说，把算力花在关键区域，不仅能省资源，还能提升质量。


这个工作的有趣之处在别处：没有堆模型参数，没有换更大的数据集，只是改变了数据的表示方式。结构化网格是深度学习在图像领域的惯性，但海洋不是一个规则的图像。无结构网格在物理海洋学里早就存在，AI 模型一直没好好利用。OceanLight 证明了这条路可行，而且效率更高。这可能也是 AI for Science 的一个方向：与其把物理世界强行塞进规则的网格，不如顺着它的几何结构来。

论文：arXiv:2608.16070，作者 Wei Wu 等，35 页，21 张图。