海洋中尺度涡不再靠粗网格降尺度：直接在0.1度上学会演化，能量与锋面梯度都留住了

海洋中尺度涡旋的分辨需要AI直接在高分辨率状态空间里学习动力演化，而不是先在粗网格上推进状态、再靠空间降尺度补回细节。 此前的替代思路是让海洋状态在1度粗网格上演化，然后用降尺度重建出高分辨率场；这条路线能恢复大尺度形态，却无法重现关键的中尺度特征。 在0.1度网格上直接学习动力演化，与1度演化加降尺度重建相比，前者更忠实地表征了中尺度变率。

做法是分别训练两个模拟器，一个覆盖全深度的1度场，一个针对0.1度海表温度，让它们各自在自由运行中推进海洋状态。 两个模拟器都用于长期自由运行，而不是短期预报式推进，因此稳定性成为可比较的前提。 两者在长期自由运行中保持稳定、没有明显漂移，构成了这次比较的可靠基线。

直接学习保留的是中尺度能量、谱特征和锋面梯度，这些正是粗网格演化加降尺度路线丢掉的量。 粗网格路线只恢复大尺度形态，中尺度信号在降尺度重建中没有被还原。 学到的中尺度统计量在不同硬件平台上保持一致，支持这类AI海洋模拟的可复现性与可移植性。

这一比较针对的是中尺度变率的表征：0.1度网格上的直接学习与1度演化加降尺度重建两条路线，评估对象包括中尺度能量、谱特征和锋面梯度。两个模拟器分别为全深度1度和0.1度海表温度，均在长期自由运行中保持稳定、没有明显漂移。材料未说明这些结论在其他分辨率、其他海洋变量或特定海区上的适用情况。

材料以摘要形式给出，未提供误差数值、评估时段长度或具体评估指标，因此两条路线差距的大小无法从现有信息判断。中尺度统计量跨硬件平台一致这一结果，支持的是可复现性与可移植性，并不等同于在其他平台上同样保持长期稳定。