研究人员将LeCun的JEPA AI扩展为从物理到生物都适用的通用世界模型

研究人员将LeCun的JEPA AI扩展为从物理到生物都适用的通用世界模型

要点

• JEPA-Anything AI模型将Yann LeCun开创的架构扩展为一个可在物理、机器人和医学等领域通用的世界模型。
• 该方法将未来状态分解为多个部分预测，而不是把所有内容汇集到一个预测中，从而能够捕捉标准模型会遗漏的模式。
• 该模型还识别出一种肝癌治疗候选方案，在实验室样本和小鼠中比任一单独成分杀死了更多肿瘤细胞。

研究人员扩展了Yann LeCun开创的JEPA架构，使其适用于七个截然不同的领域。这项工作还产生了一种团队在实验室中测试过的肝癌治疗候选药物。

世界模型预测一个系统将如何演化，无论是机器人、分子还是患者的健康状况。迄今为止，每个领域通常都需要自己的模型。由PhAI Labs领导、斯坦福大学、牛津大学和普林斯顿大学的研究人员参与合作的团队想要证明，一个单一的共享原理就足够了。

他们的 论文 介绍了基于联合嵌入预测架构（JEPA）构建的JEPA-Anything。这类模型不像重建像素等原始数据那样工作，而是预测缺失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：所有内容都被汇集到单一预测中，导致容易的模式最终淹没了较难的模式。

用多个专门的预测取代单一预测

JEPA-Anything将被预测的状态分解为若干部分，每部分由各自的预测模块处理。附加的约束促使这些模块捕捉不同的方面，而不是学习相同的内容，然后模型将它们的部分预测重新组合成完整的图景。Ad

研究人员不为这些部分赋予含义，而是让这些角色在训练过程中自行涌现。相反，他们只改变为每个领域准备数据的方式。

动力学测试中收益显著，机器人方面结果参差

团队将JEPA-Anything与相同架构、相同数据、相同条件下训练的标准JEPA进行比较。动态系统显示出最明显的收益：在一个带有定向干预的简化Pong环境中，预测误差下降了35%。对于训练期间模型从未见过的干预组合，误差下降了13%。

据作者所述，在涵盖物理、机器人和天气预报的十项测试任务中，JEPA-Anything始终优于基线。在Burgers方程这一常见的流体动力学基准上，误差在单独评估中下降了近一半。在50个预测步骤内，这一优势得以保持，但缩小到约3%。该方法在水、石英、对乙酰氨基酚和苯的模拟中也获得了最佳得分，即使经过100步之后依然如此。

对于单细胞数据，该模型更可靠地分配了细胞类型；在临床数据上，它对超过1,000个可能的疾病事件的预测略好一些。在图像任务上的差异很小。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里获胜，而标准模型在第三个环境中领先。Ad

模型标记出一种肝癌治疗方案，因此团队对其进行了测试

团队最大胆的声明来自肝癌研究。研究人员分析了模型从包括基因活性、蛋白质水平和CRISPR筛选在内的生物数据中学到的部分预测。排名第一的候选方案将IL-18（一种激活免疫细胞的信号分子）与CD73酶的阻断相结合，肿瘤利用CD73酶来抑制附近的免疫反应。

团队在与免疫细胞共培养的肝癌细胞上、在分别来自三名患者的类器官和肿瘤组织上、以及在小鼠中测试了这一组合。在类器官和组织样本中，该组合比单独使用IL-18或单独阻断CD73杀死了更多肿瘤细胞，T细胞和自然杀伤细胞表现出更强的活化。该研究并未确定这是否能成为真正的疗法。

在第二个案例中,研究人员在模拟轨道上训练该模型,而没有给它任何物理量。结果发现,学到的模式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行越慢。该定律将轨道频率设定为轨道大小的负1.5次方;模型得出的结果是负1.4991次方。团队只评估了一次训练运行,并挑选了误差最小的那一次。

作者提醒,学到的部分被清晰地分离并不意味着它们捕捉到了真实的因果关系。这样一个模型何时才能足够可靠地指导实验设计,也仍是一个悬而未决的问题。这正是该团队的长期目标:AI代理将使用JEPA-Anything来提出实验并对实验进行排序,然后将结果反馈给模型。 代码 和 模型 已公开可用。

LeCun在2022年提出了 JEPA 于2022年作为生成式模型的替代方案。2025年6月,Meta发布了 V-JEPA 2，这是一个拥有 1.2 billion 参数的 JEJA 视频模型，它在无需额外训练的情况下控制机器人在陌生环境中操作机械臂。2025年11月，LeCun 和 Randall Balestriero 随后发布了 LeJEPA,这是一个旨在无需常规变通手段即可保持训练稳定的理论框架。LeCun目前正通过他的初创公司 AMI Labs推进这一方法,该公司在2026年3月筹集了超过十亿美元来构建世界模型。

Google Deepmind已于2025年10月在实验室中测试了一个AI生成的癌症假设。其基于Gemma的模型 C2S-Scale 27B 提出了用药物silmitasertib使肿瘤细胞更容易被免疫系统发现,并且用人细胞模型进行的实验证实了这一预测。Google Deepmind的多智能体系统 Co-Scientist 现在可以规划实验并操作实验室设备,涵盖了JEPA-Anything团队想要构建的闭环中的部分环节。不过,将样本装入机器仍需要人工操作。

没有炒作的AI新闻 – 由人工精选

订阅THE DECODER,享受无广告阅读、每周AI通讯、每年六期我们独家的“AI Radar”前沿报告、完整档案访问权限以及评论区的访问权限。