AI离“理解万物”还有多远？先拿癌细胞和行星轨道试试水- 大数跨境

量子位

2026-09-19

导读：JEPA-Anything

跨领域统一预测：JEPA-Anything 从癌细胞到行星轨道的突破

一项最新技术报告展示了 AI 在两个截然不同领域的惊人应用能力：一是基于患者来源类器官的癌症干预研究，二是宏观宇宙中的行星轨道计算。研究者利用同一套预测学习框架，不仅在生物医学中提出了经实验验证的细胞因子联合抗体阻断方案，更在天体物理模拟中，无需预设公式便精准拟合出开普勒第三定律（斜率误差仅 0.0009，R²接近 1）。

面对天气、分子、细胞乃至行星等遵循不同规律的系统，AI 是否在理解“变化”时共享底层逻辑？近期，由 PhAI Labs 联合牛津、斯坦福、普林斯顿及港中文等高校团队发布的 JEPA-Anything 框架，正试图回答这一核心问题。

JEPA-Anything 是一个面向多领域学习的跨域框架。其核心在于保留各领域的观测形式与编码器差异，同时共享预测核心及统一的潜在世界状态接口（Latent World-State Interface）。该框架引入了关键机制——正交预测分解（OPF），旨在解决复杂系统中多尺度变化难以统一建模的难题。

核心理念：避免将世间万物杂乱的变化强行堆叠学习，而是进行空间解耦。

重构世界模型：从单一路径到正交分解

在 JEPA-Anything 的定义中，“世界模型”指能根据上下文（Context）建立内部状态，并预测系统另一状态（如未来时刻、隐藏区域或干预结果）的隐空间模型。相较于 DreamerV3 等强调环境构想的路径，以及 V-JEPA 2 结合视频表征与控制的方法，JEPA 架构选择在表征空间而非原始像素空间进行预测，从而过滤噪声，聚焦具有预测价值的结构。

然而，标准 JEPA 通常将所有信息汇入单一目标嵌入，走同一条预测路径。现实世界的变化往往是非线性的：分子平移伴随微观振动，气象演变夹杂局部扰动。当不同尺度、不同难度的信号挤入同一通道时，强信号易掩盖微弱但关键的信息，导致“预测容量分配”失衡。

对此，JEPA-Anything 通过 OPF 机制将目标状态切割为多个互补子空间，交由独立分支处理后再重组。为防止冗余，OPF 引入正交约束，确保不同因子（Factor）占据互不重叠的预测方向；同时通过因子活性与编码器方差约束，避免表示坍缩。这些因子并非预先设定，而是由数据中的可预测结构自发形成，为后续科学分析留下了内部接口。

跨七类系统验证：泛化能力与性能提升

JEPA-Anything 的"Anything"并非指统一输入格式，而是统一底层预测规则。研究团队在视觉、生物、临床、控制、分子、物理场和天气七类系统中进行了严格验证。

在受控动态环境 CITRIS Interventional Pong 实验中，模型展现了卓越的组合泛化能力。面对训练集中未出现过的多因子组合干预，其均方误差（MSE）下降约 3.5%，且在所有测试种子中均表现优异。

在包含十项任务的匹配动力学基准（Matched Dynamics Benchmark）中，JEPA-Anything 在九项任务上超越标准 JEPA。具体而言，Burgers 方程与浅水方程的 MSE 分别下降 39.7% 和 39.3%，WeatherBench 2 下降 10.5%。多步 Rollout 测试进一步证实了其在长序列预测中的稳定性。

在液态水、α-石英等四种分子系统的长时程预测中，该模型在一步预测 MAE 及 100 步自由 Rollout 后的位置 RMSD 上均取得最低误差。尽管在部分连续控制任务（如 Hopper）中优势不明显，且长距离预测误差仍会累积，但整体结果有力证明了共同预测原则的跨领域适用性。

从黑盒到科学接口：内部因子的可解释性验证

JEPA-Anything 的核心价值不仅在于预测精度，更在于其隐空间因子（Factor）是否具备科学探索价值。研究通过两个典型案例进行了深度验证。

案例一：驱动湿实验的候选干预发现

在肝癌研究中，团队并未将模型视为黑盒，而是分析其内部正交因子坐标，筛选出"IL-18 联合 NT5E/CD73 阻断”这一候选方案。经由 Huh7-PBMC 共培养体系、患者来源类器官及免疫健全小鼠的多层验证，该组合展现出最强的肿瘤杀伤力与免疫激活效果。这标志着模型内部结构已成功转化为“假设生成→实验验证”的科学发现链条。