JEPA-Anything框架：用正交预测分解统一跨领域世界模型，从癌细胞干预到行星轨道验证内部结构可解释性

事件概述

PhAI Labs联合牛津、斯坦福、普林斯顿及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，旨在回答AI能否共享一套更底层的“演化逻辑”方法来理解千差万别的复杂系统。该框架保留了各领域的观测形式和编码器，但共享统一的预测核心及潜在世界状态接口。

核心机制：正交预测分解（OPF）

标准JEPA（Joint-Embedding Predictive Architecture）通常将信息汇入同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息，导致梯度冲突或冗余学习。

JEPA-Anything引入**正交预测分解（Orthogonal Predictive Factorization, OPF）**机制：

1. 空间解耦：将目标状态切分为多个互补子空间，由不同预测分支独立处理。
2. 正交约束：防止不同分支重复学习同一类信息，避免表示坍缩。
3. 活性约束：确保所有因子参与学习，保留可供后续分析的内部接口。

这种设计让模型根据数据中的可预测结构自动决定因子职责，而非预先规定特定物理量。

实验验证与性能表现

1. 跨领域基准测试

在严格对齐的动力学基准（Matched Dynamics Benchmark）中，JEPA-Anything在十项任务中有九项优于标准JEPA：

• Burgers方程：均方误差（MSE）下降39.7%。
• 浅水方程：MSE下降39.3%。
• WeatherBench 2：MSE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后的最终位置RMSD，JEPA-Anything均取得最低误差。

2. 连续控制任务局限

在机器人控制任务中，JEPA-Anything并非全面超越：

• Walker2d和HalfCheetah平均得分高于标准JEPA。
• Hopper任务中，标准JEPA表现更好。

3. 长距离预测误差

随着预测步数增加，误差累积问题显现。例如在Burgers测试中，当预测长度从20步增至50步时，JEPA-Anything的优势明显缩小，表明长距离预测仍存在挑战。

科学发现价值：内部结构的可解释性

研究重点不仅在于预测精度，更在于模型内部学到的因子是否能转化为科学假设并接受外部检验。

案例一：肝癌细胞干预方案发现

• 过程：研究人员分析JEPA-Anything在肝癌数据中的正交因子坐标，筛选出候选干预组合：IL-18联合NT5E/CD73阻断。
• 验证：该方案经细胞系、患者来源类器官及免疫健全小鼠实验验证，显示出最强的肿瘤杀伤力和免疫激活效果。
• 意义：形成了“模型内部结构→领域分析→候选干预→实验验证”的闭环，证明隐空间因子可作为科学探索接口。

案例二：行星轨道规律提取

• 过程：仅输入模拟的行星位置和速度轨迹，未提供开普勒定律先验知识。
• 结果：对模型隐模式进行频谱分析后，提取出的“轨道频率-半长轴”关系拟合斜率为**-1.4991**（理论值-1.5），R²高达0.99999999。
• 意义：模型在无监督情况下捕捉到了真实的物理规律，且内部结构与已知科学定律高度吻合。

结论与展望

JEPA-Anything并未实现“理解万物”，也未在所有任务中全面超越基线，但它验证了共同预测原则具有跨领域适用性。其核心价值在于：

1. 展示了AI可以通过共享底层预测方法处理机制迥异的复杂系统。
2. 证明了模型内部学到的结构不仅服务于预测数字，还可被研究者分析、拆解，并接受实验和已知规律的检验。

这为PhAI Labs提出的“科学发现大模型”（Discovery Foundation Models）提供了世界模型层的技术支撑，推动AI从封闭预测向开放式科学探索迈进。