多年来，消息传递范式一直是图上深度学习的“战马”，使得图神经网络在从粒子物理到蛋白质设计的广泛应用中取得了巨大成功。从理论的观点来看，它建立了与Weisfeiler-Lehman等级的联系，允许分析GNN的表达能力。我们认为，当前图深度学习方案的“节点和边缘中心”思维模式具有很强的局限性，阻碍了该领域未来的进展。作为另一种选择，我们提出了受物理启发的“连续”学习模型，该模型从微分几何、代数拓扑和微分方程等领域开辟了一个新的工具宝库，这些工具迄今在图ML中基本上未被探索。