研究者将 LeCun 的 JEPA 扩展为通用世界模型，覆盖物理到生物领域
要点
- JEPA-Anything 模型将 Yann LeCun 开创的架构扩展成一个世界模型，可应用于物理、机器人、医学等多个领域。
- 该方法把未来状态拆分成多个局部预测，而不是全部塞进单一预测，因此能捕捉到标准模型容易忽略的模式。
- 该模型还发现了一个肝癌治疗候选方案，在实验室样本和小鼠实验中，其杀死肿瘤细胞的效果优于任何单一组分。
研究人员扩展了 Yann LeCun 开创的 JEPA 架构，使其能够应用于七个截然不同的领域。这项工作还催生了一个候选肝癌治疗方案，团队已在实验室进行了测试。
世界模型用于预测系统的演化方向，无论对象是机器人、分子还是患者的健康状况。到目前为止，每个领域通常都需要各自独立的模型。由 PhAI Labs 牵头、联合 Stanford、Oxford 和 Princeton 研究人员的团队想证明：只需一个共同原理就够了。
他们的论文提出了 JEPA-Anything，其基础是联合嵌入预测架构（JEPA）。这类模型不像传统方法那样重建像素等原始数据，而是预测缺失状态或未来状态的抽象摘要，从而过滤掉无关细节。作者认为标准方法存在一个弱点：所有信息都被压缩进单一预测，简单的模式往往会淹没更难的模式。
用多个专用预测取代单一预测
JEPA-Anything 将待预测的状态拆分为多个部分，每个部分由独立的预测模块处理。通过附加的约束机制，各模块被迫捕捉不同侧面而非重复学习相同内容，最后模型再把各模块的局部预测重新整合成完整图景。
研究人员没有预设各因子的具体含义，而是让它们在训练过程中自然浮现。他们所做的改变仅限于为不同领域准备数据的方式。
动态测试显著提升，机器人测试结果喜忧参半
研究团队将JEPA-Anything与同架构、同数据、同训练条件下训练的标准JEPA进行了对比。动态系统的增益最为明显：在简化版乒乓球环境中，若实施定向干预，预测误差下降了35%；对于训练阶段从未见过的干预组合，误差下降了13%。
根据作者描述，JEPA-Anything在涵盖物理、机器人和天气预报的十项测试任务中，表现持续优于基准模型。在流体力学的常见基准——Burgers方程测试中，另一项独立评估显示误差降低了近一半。在50个预测步骤中，该优势得以保持，但缩小至约3%。该方法在水、石英、对乙酰氨基酚和苯的模拟中也得分最高，即使在100步预测后依然如此。
在单细胞数据上，该模型对细胞类型的分类更为可靠；在临床数据上，它对一千多种潜在疾病事件的预测略有提升。在图像任务上，差异不大。在模拟行走机器人的运动规划中，JEPA-Anything 在三个环境中的两个获胜，而标准模型在第三个环境中占据优势。
模型标记了一种肝癌治疗方案，团队随即进行了验证
团队最大胆的结论来自肝癌研究。研究人员分析了模型从包含基因活性、蛋白质水平及 CRISPR 筛选数据的生物学数据中学到的部分预测。排在前位的候选方案将 IL-18（一种激活免疫细胞的信号分子）与 CD73 酶抑制剂（肿瘤利用 CD73 抑制邻近免疫反应）相结合。
团队在肝癌细胞与免疫细胞的共培养体系中、每个三位患者的类器官和肿瘤组织样本中，以及在小鼠身上测试了这一组合方案。在类组织和组织样本中，该组合比单独使用 IL-18 或 CD73 抑制剂杀死了更多的肿瘤细胞，且 T 细胞和自然杀伤细胞表现出更强的激活状态。该研究并未证实这一方案能否成为实际的疗法。
在第二个案例中，研究者在不含任何物理量的模拟轨道数据上训练模型，结果模型学到的规律与开普勒第三定律几乎完全吻合——该定律指出，轨道越大的天体运动越慢。定律给出轨道频率与轨道尺寸的 -1.5 次方成正比，而模型得出的指数是 -1.4991。不过团队只评估了一次训练运行，而且是挑选了误差最低的那一次。
作者提醒，学到的各部分能够清晰分离，并不代表它们真正捕捉到了因果关系。这种模型要到什么程度才足以可靠地指导实验设计，也仍是未知数。而这正是团队的长远目标：让 AI 智能体借助 JEPA-Anything 提出并排序实验方案，再把实验结果反馈回模型。相关代码和模型均已公开。
LeCun 于 2022 年提出了 JEPA，作为生成式模型的一种替代方案。2025 年 6 月，Meta 发布了 V-JEPA 2，这是一个拥有 12 亿参数的 JEPA 视频模型，能够在无需额外训练的情况下，控制机械臂在陌生环境中执行任务。2025 年 11 月，LeCun 和 Randall Balestriero 随后推出了 LeJEPA，这是一种理论框架，旨在没有常规变通方法的情况下保持训练稳定性。LeCun 目前正通过他的初创公司 AMI Labs 推进这一路线，该公司在 2026 年 3 月融资超过 10 亿美元，用于构建世界模型。
Google Deepmind 早在 2025 年 10 月就已在实验室中验证了 AI 生成的癌症假说。其基于 Gemma 的模型 C2S-Scale 27B 提出使用药物 silmitasertib 来使肿瘤细胞对免疫系统更加可见，随后使用人类细胞模型的实验证实了这一预测。Google Deepmind 的多智能体系统 Co-Scientist 现在能够规划实验并操作实验室设备，涵盖了 JEPA-Anything 团队希望构建的流程中的部分环节。不过，将样品装入机器仍然需要人工操作。