Forscher erweitern LeCun's JEPA-KI zu einem universellen Weltmodell, das von Physik bis Biologie funktioniert

Forscher erweitern LeCuns JEPA-KI zu einem universellen Weltmodell, das von Physik bis Biologie funktioniert.

Wichtige Punkte

• Das JEPA-Anything-AI-Modell erweitert die von Yann LeCun entwickelte Architektur zu einem Weltmodell, das in Bereichen wie Physik, Robotik und Medizin angewandt werden kann.
• Die Methode teilt zukünftige Zustände in mehrere Teilvorhersagen auf, anstatt alles in eine einzige Vorhersage zu bringen, sodass sie Muster erkennt, die standardmäßigen Modelle übersehen.
• Das Modell identifizierte außerdem einen Behandlungskandidaten für Leberkrebs, der in Laborsupplis und Mäusen mehr Tumorzellen tötete als jede einzelne Komponente allein.

Die Forscher haben die von Yann LeCun entwickelte JEPA-Architektur erweitert, sodass sie in sieben sehr unterschiedlichen Bereichen funktioniert. Durch diese Bemühungen wurde außerdem ein Behandlungsmittel gegen Leberkrebs entwickelt, das die Teammitglieder im Labor getestet haben.

Weltmodelle prognostizieren, wie ein System sich entwickeln wird – egal ob es sich um einen Roboter, eine Molekül oder die Gesundheit eines Patienten handelt. Bis jetzt war es üblich, dass jede Disziplin ihr eigenes Modell benötigte. Eine durch PhAI Labs geleitete Gruppe, mit Mitarbeitern von Stanford, Oxford und Princeton, möchte zeigen, dass ein einziger gemeinsamer Prinzip ein ausreichend ist.

Ihr Artikel stellt JEPA-Anything vor, das auf Joint-Embedding Predictive Architectures (JEPA) basiert. Diese Modelle rekonstruieren nicht Rohdaten wie Pixel, sondern vorhersagen eine abstrakte Zusammenfassung eines fehlenden oder zukünftigen Zustands und filtern dabei unbedeutende Details aus. Die Autoren erkennen eine Schwäche im Standardansatz: Alles wird in eine einzige Vorhersage geleitet, sodass einfache Muster die schwierigeren überlagern.

Mehrere spezialisierte Vorhersagen anstelle einer einzigen

JEPA – Alles zerlegt den vorhergesehenen Zustand in mehrere Teile, die jeweils von einem eigenen Vorhersagemodul bearbeitet werden. Eine zusätzliche Einschränkung zwingt die Module dazu, unterschiedliche Aspekte zu erfassen, anstatt dass sie dasselbe lernen. Anschließend setzt das Modell die Teilvorhersagen wieder zusammen, um ein vollständiges Bild zu erhalten.

Die Forscher geben den Teilen keine Bedeutung zu, sodass diese Rollen während des Trainings entstehen. Stattdessen ändern sie nur die Art und Weise, wie sie die Daten für jedes Feld vorbereiten.

Große Verbesserungen bei den Dynamiktests, gemischte Ergebnisse für Roboter

Das Team verglich JEPA-Anything mit einem standardmäßigen JEPA mit derselben Architektur, das auf denselben Daten unter identischen Bedingungen trainiert wurde. Dynamische Systeme zeigten die klareren Vorteile: in einer vereinfachten Pong-Umgebung mit gezielten Interventionen sank der Vorhersagefehler um 35 Prozent. Für Kombinationen von Interventionen, die das Modell während des Trainings nie erlebte, sank er um 13 Prozent.

JEPA – Alles erreichte konstantlich einen besseren Wert als das Basisniveau bei zehn Testaufgaben in den Bereichen Physik, Robotik und Wettervorhersage, so die Autoren. Bei der Burgers-Gleichung, einem gängigen Benchmark für Fluiddynamik, sank der Fehler in einer separaten Bewertung fast zur Hälfte. Nach 50 Vorhersageschritten blieb der Vorteil bestehen, verringerte sich jedoch auf etwa drei Prozent. Die Methode erzielte auch die besten Ergebnisse bei Simulationen von Wasser, Quarz, Acetaminofen und Benzol – selbst nach 100 Schritten.

Für einzelzellige Daten wies das Modell die Zelltypen zuverlässiger an, und bei klinischen Daten konnte es mehr als 1.000 mögliche Krankheitsereignisse etwas besser vorhersagen. Der Unterschied bei Bildaufgaben war gering. Bei der Planung der Bewegung für simulierte Gehroboter gewann JEPA-Anything in zwei von drei Umgebungen, während das Standardmodell in der dritten Umgebung besser abschloss.

Das Modell identifizierte eine Behandlung gegen Leberkrebs, daher testete das Team sie.

Die mutigste Behauptung des Teams stammt aus der Forschung zum Leberkrebs. Die Forscher haben die teilweise Vorhersagen analysiert, die ein Modell aus biologischen Daten erlernt hat, einschließlich Genaktivität, Proteingehalt und CRISPR-Tests. Der wichtigste Kandidat ist IL-18, eine Signalmolekül, das Immunzellen aktiviert, in Verbindung mit der Blockierung des Enzyms CD73, das Tumoren verwenden, um die nahegelegenen Immunantworten zu unterdrücken.

Das Team testete die Kombination auf Leberkrebszellen, die mit Immunzellen kultiviert wurden, auf Organoiden und Tumortumoren von drei Patienten jeweils sowie bei Mäusen. In den Organoid- und Tumortumorsammlungen tötete die Kombination mehr Tumorgewebe, als allein die Blockade von IL-18 oder CD73, und T-Zellen sowie natürliche Killerzellen zeigten eine stärkere Aktivierung. Die Studie legt jedoch nicht fest, ob dies zu einer echten Therapie werden könnte.

Im zweiten Fall trainierten die Forscher das Modell auf simulierte Bahnen, ohne ihm irgendwelche physikalischen Größen zu geben. Die erlernten Muster entsprachen nahezu exakt dem dritten Gesetz von Kepler, das besagt, dass Körper auf größeren Bahnen viel langsamer bewegen. Das Gesetz setzt die Bahnfrequenz im Verhältnis zum Bahnumfang als Potenz minus 1,5; das Modell erreichte minus 1,4991. Die Gruppe evaluierte nur eine Trainingsrunde und wählte die mit dem geringsten Fehler.

Die klare Trennung der gelernten Teile bedeutet nicht, dass sie echte Ursache-Wirkungsbeziehungen erfassen, warnen die Autoren. Es bleibt auch eine offene Frage, wenn ein solcher Modell so zuverlässig wird, dass er den Experimentdesign helfen kann. Das ist das langfristige Ziel des Teams: AI-Agenten würden JEPA-Anything verwenden, um Experimente vorzuschlagen und zu bewerten, und anschließend die Ergebnisse wieder in den Modell einfließen lassen. Code und Modelle sind öffentlich verfügbar.

LeCun schlug im Jahr 2022 JEPA als Alternative zu generativen Modellen vor. Im Juni 2025 veröffentlichte Meta V-JEPA 2, ein JEPA-Video-Modell mit 1,2 Milliarden Parametern, das Roboterarme in unbekannten Umgebungen ohne zusätzliches Training steuerte. Im November 2025 setzten LeCun und Randall Balestriero LeJEPA fort, eine theoretische Grundlage, die das Training stabil halten soll, ohne die üblichen Lösungen. LeCun verfolgt nun diesen Ansatz durch seine Startup AMI Labs, die im März 2026 über eine Milliarde Dollar gesammelt hat, um Weltmodellen zu entwickeln.

Google Deepmind hatte bereits im Oktober 2025 eine von einer KI erstellte Krebshypothese im Labor getestet. Das auf Gemma basierende Modell C2S-Scale 27B schlug das Medikament Silmitasertib vor, um Tumorzellen für das Immunsystem sichtbar zu machen. Experimente mit menschlichen Zellmodellen bestätigten diese Vorhersage. Das Multi-Agent-System von Google Deepmind Co-Scientist plant derzeit Experimente und bedient das Laborgerät, wobei einige Bereiche des Loop betreut werden, die das JEPA-Anything-Team errichten möchte. Das Laden von Proben in die Maschinen erfordert jedoch immer noch Menschen.

AI-Neuigkeiten ohne Hype – von Menschen zusammengestellt

Abonnieren Sie THE DECODER, um ohne Anzeigen zu lesen, ein wöchentliches AI-Bulletin, unseren exklusiven „AI Radar“-Bericht sechsmal pro Jahr, vollen Zugang zum Archiv und Zugang zur Kommentarsektion.