JEPA-Anything发布：同一预测架构搞定癌细胞与行星轨道

一篇技术报告中，同时出现了患者来源的类器官与宏观宇宙的行星轨迹。这两个看似风马牛不相及的研究对象，如今被同一种预测学习方法串联起来。

在生物医疗领域，研究者利用该模型学到的内部因子，提出了细胞因子联合抗体阻断干预方案，并经细胞系、类器官及小鼠实验层层验证；在天体物理中，模型仅接收模拟的行星位置与速度轨迹，在未注入开普勒定律先验的前提下，自主提取出“轨道频率-半长轴”关系，拟合斜率达 -1.4991（理论值为 -1.5），$R^2$ 高达 0.99999999。

面对千差万别的自然规律，AI 在理解它们“如何变化”时能否共享底层方法？PhAI Labs 联合牛津大学、斯坦福大学、普林斯顿大学与香港中文大学等团队发布的 JEPA-Anything，正在尝试回答这一问题。

单一预测通路面临容量瓶颈

在 JEPA-Anything 中，“世界模型”被赋予了具操作性的定义：**只要模型能根据现有上下文信息（Context）建立内部状态，并以此预测系统中的另一状态，均可归入隐空间世界模型（Latent World Model）范畴。**该状态既可以是时域的未来，也可以是空间上的遮挡视角或干预结果。

此前，以 V-JEPA 为代表的联合嵌入预测架构（JEPA）通过在表征空间而非像素级原始空间进行预测，有效过滤了噪声干扰。然而，标准 JEPA 通常将所有信息汇聚至单一目标嵌入中走单路预测。现实世界中，分子的整体位移伴随微观振动，宏观气象演变伴随局部扰动。当不同尺度和难度的信号交织在一起时，更容易预测的显著信号容易抢占预测容量，导致关键弱信号在梯度冲突中被掩盖。

为此，JEPA-Anything 引入了**正交预测分解（Orthogonal Predictive Factorization, OPF）**机制。它将目标状态切割为多个彼此互补的子空间，交由独立预测分支处理，再重构为完整的世界状态。

为避免多分支冗余，OPF 引入正交约束，促使各因子占据不重叠的预测方向，并通过因子活性约束和编码器方差约束防止表征坍缩。这些因子未被人工指定具体物理含义，完全由数据中的可预测结构自发驱动学习。

跨七类系统的严格验证

JEPA-Anything 统一了隐空间表征后的预测与学习规则，同时允许各领域保留特定的观测格式与编码器。研究团队将其置于视觉、生物、临床、控制、分子、物理场和天气七类截然不同的系统中进行验证。

在基准测试中，团队构建了严格对齐的动力学基准（Matched Dynamics Benchmark），在相同算力与骨干网络条件下对比标准 JEPA：

• 在偏微分方程数据集 PDEBench 中，Burgers 方程的 MSE 误差下降 39.7%，浅水方程下降 39.3%。
• 在 WeatherBench 2 气象预测中，MSE 误差降低 10.5%。
• 在液态水、α-石英、对乙酰氨基酚和苯四种分子动力学体系中，无论是单步预测还是 100 步自由推演（rollout），JEPA-Anything 均取得了最低的原子位置误差。

尽管在连续控制任务（如 Hopper）中标准 JEPA 仍具局部优势，且长程自回归推演依然存在累积误差，但实验充分印证了该预测原则跨领域复用的泛化能力。

隐空间因子的科学可解释性

除了预测精度的提升，模型隐空间形成的因子是否具备真实的科学探索价值？团队通过两个典型案例给出了肯定答案。

案例一：驱动湿实验的干预策略生成
在肝癌研究中，团队对模型学到的正交因子坐标展开分析，筛选出 IL-18 联合 NT5E/CD73 阻断的干预方案。随后的湿实验证实，在患者来源的肝细胞癌类器官与组织碎片中，该组合展现出显著的肿瘤杀伤力与免疫激活效果，实现了“模型内部结构→候选干预→实验验证”的闭环。

案例二：重现经典天体物理规律
面对纯模拟的行星运行轨迹，研究人员对模型的隐模式进行频谱分析，提取出的周期与半长轴关系精准契合开普勒第三定律，误差仅为 0.06%，验证了模型对物理常微分规律的无监督捕捉能力。

这项工作隶属于 PhAI Labs 提出的“科学发现大模型”（Discovery Foundation Models, DFM）框架。JEPA-Anything 作为底层的世界模型层，负责将复杂演化过程压缩为高保真预测能力，不仅完成端到端推理，还将学到的隐空间结构开放给科研人员，为更广阔的科学假设生成提供支撑。

• 论文地址：https://arxiv.org/abs/2609.20800