JEPA-Anything：跨七类系统验证的通用预测框架，从癌细胞到行星轨道

事件概述

PhAI Labs联合牛津、斯坦福、普林斯顿、港中文等高校团队发布了 JEPA-Anything 技术报告。这是一个面向不同“世界”学习预测模型的跨领域框架，旨在探索AI是否能在理解千差万别的复杂系统时共享一套底层方法。该研究不仅验证了统一预测核心在七类系统中的有效性，还展示了模型内部结构如何转化为可验证的科学发现接口。

核心机制：正交预测分解 (OPF)

传统 JEPA（Joint-Embedding Predictive Architecture）通常将信息汇入单一目标嵌入进行预测，但在面对分子振动、气象扰动等多尺度变化时，强信号容易掩盖微弱但关键的信号，导致“预测容量”分配不均。

JEPA-Anything 引入了 OPF（Orthogonal Predictive Factorization，正交预测分解） 机制来解决这一问题：

1. 空间解耦：将完整的目标状态切割为多个互补的子空间，交由不同的预测分支独立处理。
2. 正交约束：防止多分支冗余，确保不同因子占据互不重叠的预测方向。
3. 活性与方差约束：避免部分因子失活或表示坍缩。
4. 数据驱动：因子负责的具体内容不由人工预设，而是由数据中的可预测结构自动决定，训练后形成可供分析的内部接口。

实验验证：跨七类系统的泛化能力

研究未局限于视频或机器人控制，而是将同一预测核心置于以下七类系统中进行严格对齐的对比实验（确保数据、编码器、计算预算一致）：

• 受控动态环境 (CITRIS Interventional Pong)：验证模型能否拆解并重组未见过的多因子组合干预。结果显示，在未见组合中均方误差（MSE）下降约3.5%。
• 动力学基准 (Matched Dynamics Benchmark)：在九项任务中性能提升。例如 Burgers 方程 MSE 下降 39.7%，浅水方程下降 39.3%，WeatherBench 2 下降 10.5%。
• 分子系统：在液态水、α-石英等四种体系中，无论是单步预测还是100步自由 rollout，JEPA-Anything 均取得最低误差。
• 局限性：在连续控制任务（如 Hopper）及部分长步数预测中，优势有所缩小或未全面超越标准 JEPA，表明目前并非“单一机制全面碾压”，而是证明了跨领域复用的潜力。

科学发现价值：从预测到解释

研究进一步验证了模型隐空间因子是否具有科学探索价值，通过两个极端案例展示其作为“科学分析接口”的能力：

1. 生物医学案例（肝癌研究）：研究人员对内部正交因子坐标进行分析，筛选出候选干预组合 IL-18 联合 NT5E/CD73 阻断。该方案在患者来源的肝细胞癌类器官、肿瘤组织碎片及免疫健全小鼠实验中，展现出最强的肿瘤细胞杀伤力及免疫激活效果。这形成了“模型内部结构→领域分析→候选干预→实验验证”的闭环。
2. 物理学案例（行星轨道）：研究者仅向模型输入模拟的行星位置和速度轨迹，未告知开普勒定律。训练后提取的“轨道频率-半长轴”关系拟合斜率达 -1.4991（理论值为 -1.5），且 R²=0.99999999。这证明模型在无先验公式情况下，自发学习了符合已知物理规律的尺度关系。

战略意义

JEPA-Anything 位于 PhAI Labs “科学发现大模型”（Discovery Foundation Models, DFM）架构的世界模型层。其核心意义在于：AI 不再仅仅输出预测数字，而是将学到的“世界演化逻辑”暴露出来，供科学家分析、检验和提出新假设，从而加速从耗时昂贵的真实实验前的近似判断环节。