从癌细胞到行星轨道：JEPA-Anything跨域AI框架

一份最新的AI研究报告中，同时出现了两个看似毫无关联的研究方向：一个是针对肝癌的患者来源类器官研究，另一个则是宏观行星轨道的物理规律挖掘——这背后正是由PhAI Labs联合牛津、斯坦福、普林斯顿、香港中文大学等高校团队推出的JEPA-Anything框架带来的跨领域突破。

在肝癌研究场景中，研究人员借助模型学到的内部因子，提出了IL-18联合NT5E/CD73阻断的干预方案，并通过细胞系、患者类器官、免疫健全小鼠等多轮实验验证，最终在3份患者类器官和3份肿瘤组织碎片中，该组合展现出最强的肿瘤杀伤效果，同时显著激活了免疫细胞。

而在行星轨道研究中，团队仅向模型输入模拟生成的行星位置与速度轨迹，并未提前植入开普勒定律的先验知识。训练完成后，从模型内部提取的“轨道频率-半长轴”关系拟合斜率达到-1.4991，与开普勒第三定律的理论值-1.5高度接近，拟合优度R²更是达到0.99999999。

这两个横跨生物医药与天体物理的案例，直观展现了一个核心问题：面对天气、分子、细胞、机器人乃至行星等遵循完全不同规律的复杂系统，AI在理解它们的变化逻辑时，是否可以共享一套更底层的预测学习方法？JEPA-Anything正是为解答这一问题而生的跨领域框架。

首先需要明确，在这项研究中，“隐空间世界模型”的定义兼具宽泛度与操作性：只要模型能够根据现有观测信息建立内部状态，并以此预测同一系统中的另一状态，即可归入该范畴——这里的“另一状态”既可以是时间维度上的未来状态，也可以是空间维度的隐藏区域、不同视角，甚至是施加特定干预后的结果。

沿着这一思路，业界已发展出多条成熟的技术路径，比如强调先构建环境模型再推演行动后果的DreamerV3，以及将视频表征学习与机器人控制结合的V-JEPA 2。而联合嵌入预测架构（JEPA）则是其中极具代表性的路线：与直接在原始空间重建目标状态不同，JEPA选择在表征空间完成预测，将观测信息编码为隐空间内部表征后再进行预测，这种设计能够让模型聚焦于具有预测价值的结构，减少纹理、噪声等无关细节的干扰。

不过标准JEPA存在一个明显局限：所有信息都会汇入同一个目标嵌入向量，沿单一路径完成预测。但现实世界的变化往往是多线程的，比如分子的整体平移与内部原子的微观振动同步发生，宏观气象系统的缓慢演变中夹杂着剧烈的局部扰动，生物系统更是存在多尺度、多通路的同步变化。当不同尺度、不同类型的信号强行挤在一起时，更容易预测、变化更显著的信号会优先占据更多预测容量，而相对微弱却同样关键的信息，要么在梯度冲突中被抵消，要么被强信号彻底掩盖。

研究团队将这一问题归结为“预测容量分配不均”，并提出了解决思路：既然拥挤会导致挤压，那就对预测空间进行解耦。这正是JEPA-Anything的核心设计。

该框架的关键机制是OPF（正交预测分解），它将原本完整的目标状态切割为多个彼此互补的子空间，交由不同的预测分支独立处理，最终再将各分支的结果拼合为完整的世界状态。为了避免多分支出现冗余学习的问题，OPF引入了正交约束，让不同的预测因子占据互不重叠的预测方向，减少重复学习；同时通过因子活性约束和编码器方差约束，避免部分因子失活，降低表示坍缩的风险。值得注意的是，这些因子并不会被预先指定具体任务，而是由数据中的可预测结构自主决定学习内容，训练完成后会留下可供后续分析的内部接口。

JEPA-Anything的核心并非统一所有领域的输入格式，而是共享一套底层的预测学习规则：在数据被转换为隐空间表征之后，预测模块的搭建与学习逻辑保持统一。

为了验证框架的跨领域泛化能力，研究团队并未局限于视频表征或机器人控制等传统领域，而是将同一套预测核心部署到视觉、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测试。所谓“Anything”，正是指这套框架能够适配不同领域的专属编码器与数据形态，同时保持底层预测逻辑的一致性。

研究团队首先在基于简化Pong构造的受控动态环境CITRIS Interventional Pong中开展实验，验证模型拆解复合变化并重新组合的能力。训练阶段模型仅接触单一因子的变化数据，测试阶段则需要应对从未见过的多因子组合干预。实验结果显示，在分布内的单项干预中，JEPA-Anything相较标准JEPA降低了约11.7%的预测误差；在未见过的多因子组合干预中，均方误差（MSE）同样下降了约3.5%，且在五组配对训练种子中全部实现性能提升。

随后的验证转向更复杂的真实系统。团队构建了严格对齐的动力学基准（Matched Dynamics Benchmark），确保标准JEPA与JEPA-Anything使用完全相同的训练数据、编码器、状态转移骨干网络、计算预算及评估切分。最终在十项预测任务中，JEPA-Anything在其中九项实现了性能提升：比如在PDEBench的Burgers方程中MSE下降39.7%，浅水方程下降39.3%，WeatherBench 2下降10.5%。

研究团队还专门开展了多步rollout测试，让每一次预测的结果作为下一次预测的输入，观察误差的累积效应。在分子系统的测试中，模型需要持续预测液态水、α-石英、对乙酰氨基酚和苯四种体系的未来原子位置与速度，并将输出不断回传作为后续输入。最终无论是一步预测的MAE，还是100步自由rollout后的最终位置RMSD，JEPA-Anything在四种分子系统中都取得了最低误差。

不过实验数据并未呈现出单一机制全面碾压的理想化结果：在连续控制测试中，JEPA-Anything在Walker2d和HalfCheetah任务上的平均得分高于标准JEPA，但在Hopper任务中标准JEPA表现更优。同时随着连续预测距离的增加，误差仍会不断累积，比如在Burgers测试中，当预测长度从20步增加到50步时，JEPA-Anything虽然依然领先，但优势已明显缩小。这也说明，该研究验证的是“共同预测原则具备跨领域适用性”，而非实现了一个统一所有领域的终极世界模型。

前面的实验主要回答了预测与状态表示是否有效的问题，第三组实验则进一步追问：模型隐空间中形成的因子，是否具备科学探索的实际价值？而这正是开篇两个跨领域案例的由来。

肝癌研究的案例中，团队并未将JEPA-Anything简单视为黑盒预测器，而是对其内部的正交因子坐标展开领域分析，筛选出了IL-18联合CD73阻断的候选干预方案，并通过多轮实验验证了其有效性。这意味着模型的隐空间因子不再仅仅服务于预测精度，而是成为研究者分析系统状态、提出可实验验证假设的接口，形成了“模型内部结构→领域分析→候选干预→实验验证”的完整科学探索链条。

行星轨道案例则反向验证了模型学到的内部结构与真实物理规律的契合度：在未植入先验公式的情况下，模型提取的隐模式频谱分析结果，与开普勒第三定律的尺度规律高度一致，证明了模型内部捕捉到的变化逻辑符合真实的物理规则。

这两个案例从不同方向证明，模型学到的内部结构可以成为科学分析的接口，研究者不再只能关注最终的预测数字，还可以深入挖掘模型内部捕捉到的变化规律，验证其是否对应真实世界的运行逻辑，并以此提出下一步的研究假设。

JEPA-Anything在PhAI Labs的整体战略中，属于“科学发现大模型（DFM）”的世界模型层。科学发现大模型旨在推动AI参与开放式科学探索，让AI能够参与识别未知、形成假设、设计干预并根据外部证据持续修正的完整科学发现过程。JEPA-Anything则试图将科学轨迹与真实世界变化中的可预测部分，压缩为可快速调用的预测能力，在耗时更长、成本更高的真实实验之前，提供一层可靠的近似判断。

从癌细胞到行星轨道的跨度，其意义远不止于展示视觉反差或概念噱头。研究团队探索的核心是：面对机制迥异的复杂系统，AI能否共享同一种学习演化逻辑的方法？当这些变化被编码为内部状态后，这些内部结构能否被研究者提取分析，并接受实验结果与已知规律的检验？

当然，这距离“AI理解万物”仍有相当长的距离，JEPA-Anything目前仅证明了一种可能性：世界模型内部学到的结构，除了服务预测之外，还可以被研究者进一步分析，并接受实验与已知规律的检验。换句话说，AI不再只是预测一个世界，而是开始将自己学到的“世界”暴露出来，供科学家继续深入研究。

技术报告：

https://arxiv.org/abs/2609.20800

GitHub：

https://github.com/Gen-Verse/JEPA-Anything

抱抱脸：

https://huggingface.co/collections/Gen-Verse/jepa-anything