Los investigadores transformaron la IA JEPA de LeCun en un modelo mundial universal que funciona desde la física hasta la biología

Los investigadores transformaron la IA JEPA de LeCun en un modelo mundial universal que funciona desde la física hasta la biología

Puntos clave

• El modelo de IA JEPA-Anything extiende la arquitectura pionera por parte de Yann LeCun en un modelo mundial que funciona en campos como física, robótica y medicina.
• El método divide los estados futuros en múltiples predicciones parciales, en lugar de concentrar todo en una sola, permitiendo que detecte patrones que los modelos estándar no logran identificar.
• El modelo también identificó un candidato para el tratamiento del cáncer de hígado que eliminó más células tumorales en muestras de laboratorio y en ratones que cualquiera de los componentes por separado.

Los investigadores han ampliado la arquitectura JEPA, pionera de Yann LeCun, de modo que funcione en siete campos muy diferentes. El esfuerzo también produjo un candidato para el tratamiento del cáncer de hígado que el equipo probó en el laboratorio.

Los modelos mundiales predicen cómo evolucionará un sistema, ya sea un robot, una molécula o la salud de un paciente. Hasta ahora, cada campo ha necesitado un modelo propio. Un equipo liderado por PhAI Labs, con colaboradores de Stanford, Oxford y Princeton, quiere demostrar que un único principio compartido es suficiente.

Su artículo introduce JEPA-Anything, construido sobre Joint-Embedding Predictive Architectures (JEPA). Estos modelos no reconstruyen datos brutos como píxeles, sino que predicen un resumen abstracto de un estado ausente o futuro, filtrando los detalles irrelevantes. Los autores observan una debilidad en el enfoque estándar: todo se canaliza en una única predicción, por lo que los patrones sencillos terminan sofocando los más complejos.

Múltiples predicciones especializadas en lugar de una

JEPA: Cualquier cosa divide el estado predicho en varios componentes, cada uno gestionado por su propio módulo de predicción. Una restricción adicional obliga a los módulos a capturar aspectos diferentes en lugar de aprender lo mismo, y el modelo luego reagrupa sus predicciones parciales en una imagen completa.

Los investigadores no asignan significados a las partes, permitiendo que esos roles surjan durante el entrenamiento. En cambio, solo cambian la forma en que preparan los datos para cada campo.

Grandes mejoras en los tests de dinámica, resultados mixtos para los robots

El equipo comparó JEPA-Anything con un JEPA estándar con la misma arquitectura, entrenado con los mismos datos en condiciones idénticas. Los sistemas dinámicos mostraron los mejoras más claras: en un entorno simplificado de Pong con intervenciones específicas, el error de predicción disminuyó en un 35 por ciento. Para combinaciones de intervenciones que el modelo nunca vio durante el entrenamiento, la disminución fue del 13 por ciento.

JEPA: Cualquier método superó consistentemente el valor base en diez tareas de prueba que abarcaban física, robótica y pronóstico del clima, según los autores. En la ecuación de Burgers, un punto de referencia común en dinámica de fluidos, el error disminuyó casi a la mitad en una evaluación separada. Tras más de 50 pasos de predicción, la ventaja se mantuvo, pero disminuyó a aproximadamente tres por ciento. El método también obtuvo el mejor resultado en las simulaciones de agua, cuarzo, acetaminofén y benceno, incluso después de 100 pasos.

Para los datos de célula única, el modelo asignó los tipos de célula de manera más confiable, y en los datos clínicos predijo más de 1,000 eventos de enfermedad ligeramente mejor. La diferencia en las tareas de imagen fue pequeña. En la planificación de movimiento para robots de caminar simulados, JEPA-Anything ganó en dos de tres entornos, mientras que el modelo estándar salió por delante en el tercero.

El modelo identificó un tratamiento para el cáncer de hígado, por lo que el equipo lo probó

La afirmación más audaz del equipo proviene de la investigación sobre el cáncer de hígado. Los investigadores analizaron las predicciones parciales que un modelo había aprendido a partir de datos biológicos, incluyendo la actividad genética, los niveles de proteínas y las pruebas CRISPR. El candidato principal combinó IL-18, una molécula de señalización que activa células inmunes, con el bloqueo del enzima CD73, que los tumores utilizan para suprimir las respuestas inmunitarias cercanas.

El equipo probó la combinación en células cancerosas hepáticas co-cultivadas con células inmunes, en organoides y tejido tumoral de tres pacientes cada uno, y en ratones. En las muestras de organoides y tejido, la combinación mató más células tumorales que el bloqueo de IL-18 o CD73 por separado, y las células T y las células naturales killer mostraron una activación más intensa. El estudio no establece si esto podría convertirse en una terapia real.

En un segundo caso, los investigadores entrenaron el modelo en órbitas simuladas sin proporcionarle ninguna cantidad física. Los patrones aprendidos resultaron ser una coincidencia casi exacta con la tercera ley de Kepler, que establece que los cuerpos en órbitas más grandes se mueven mucho más lentamente. La ley establece que la frecuencia orbital depende del tamaño de la órbita al poder negativo 1.5; el modelo llegó a 1.4991. El equipo evaluó solo una sesión de entrenamiento y eligió la que presentaba el menor error.

La separación clara de las partes aprendidas no significa que capturen las relaciones reales de causa y efecto, advierten los autores. También sigue siendo una pregunta abierta cuándo un modelo así se vuelva lo suficientemente confiable para guiar el diseño de experimentos. Ese es el objetivo a largo plazo del equipo: los agentes de IA utilizarían JEPA-Anything para proponer y clasificar experimentos, y luego devolver los resultados al modelo. Código y modelos están disponibles públicamente.

LeCun propuso JEPA en 2022 como alternativa a los modelos generativos. En junio de 2025, Meta lanzó V-JEPA 2, un modelo de video de JEPA con 1.2 mil millones de parámetros que controlaba brazos robóticos en entornos desconocidos sin necesidad de entrenamiento adicional. En noviembre de 2025, LeCun y Randall Balestriero continuaron con LeJEPA, una base teórica diseñada para mantener el entrenamiento estable sin los métodos habituales. Ahora, LeCun está aplicando este enfoque a través de su startup AMI Labs, que recaudó más de mil millones de dólares en marzo de 2026 para construir modelos mundiales.

Google Deepmind ya había probado una hipótesis de cáncer generada por IA en el laboratorio en octubre de 2025. Su modelo basado en Gemma C2S-Scale 27B propuso el medicamento silmitasertib para hacer que las células tumorales sean más visibles para el sistema inmune, y los experimentos con modelos de células humanas confirmaron esa predicción. El sistema multi-agente de Google Deepmind Co-Scientist ahora planea experimentos y opera el equipo de laboratorio, cubriendo partes del ciclo que el equipo JEPA-Anything quiere construir. Sin embargo, cargar muestras en las máquinas todavía requiere la intervención humana.

Noticias sobre IA Sin El Eufómeno – Seleccionadas por Humanos

Suscríbase a THE DECODER para leer sin anuncios, un boletín semanal sobre IA, nuestro informe exclusivo “AI Radar” seis veces al año, acceso completo al archivo y acceso a nuestra sección de comentarios.