杨立昆喊了三年的理论，被一群心脏科 AI 研究者证实了

2022年6月，Meta 首席 AI 科学家杨立昆（Yann LeCun）发表了一篇影响深远的立场论文《A Path Towards Autonomous Machine Intelligence》，提出一个核心判断：AI 要学习理解世界，应该在抽象表示空间里做预测，而非逐像素重建现实。他把这套框架叫做 JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）。此后三年半，Meta 团队沿着这条路线做出了 I-JEPA（图像）、V-JEPA（视频）、V-JEPA 2（百万小时视频），成果不错，但批评者一直在追问同一个问题：有没有像素重建确实不行、只有你这条路才走得通的场景？

2026年2月4日，一个答案从心脏科方向冒了出来。加拿大最大研究医院网络、大学健康网络（UHN）的 AI 团队发布了EchoJEPA。通讯作者 Bo Wang 是 UHN 首席 AI 科学家、斯坦福博士，领导 Peter Munk 心脏中心的 AI 团队；一作 Alif Munim 自 2022 年起在该团队从事心脏影像研究。他们把杨立昆的 JEPA 思路首次应用于医学超声，在1800万条心脏超声视频上训练，发现潜在预测对像素重建形成了碾压级优势。杨立昆随即在社交媒体上关注了这篇论文。

技术谱系

2020EchoNet-Dynamic 发布1万条标注视频，建立心超AI基线

2022杨立昆发表立场论文，提出JEPA架构的完整理论框架

2023I-JEPA：Meta团队首次实现，用于图像自监督学习

2024V-JEPA：扩展到视频理解

2025.06 V-JEPA 2：Meta用100万小时视频训练，性能大幅提升

2025.07 PanEcho（耶鲁）：监督多任务学习，发表于JAMA

2025.11 EchoPrime（斯坦福）：对比学习+医学报告，发表于Nature

2026.02 EchoJEPA：首次将JEPA用于医学影像，1800万心超视频 ← 本文

超声"雪花点"：一个被低估的难题

美国每年做大约3000万次心脏超声检查。超声便宜、便携、没有辐射，但图像有一个天然缺陷：画面布满了一种叫"散斑"（speckle）的随机噪点，类似老式电视机的雪花。这些雪花跟心脏结构没有任何关系，纯粹是超声波在组织中散射产生的干扰。同一个病人换个角度再拍一次，雪花图案就完全不同。

对心脏科医生来说，大脑会自动过滤雪花、聚焦在心腔形态和心壁运动上。但对 AI 来说，像素就是像素，雪花和心脏结构在数据层面没有本质区别。

现有方案：三条路，各有各的问题

过去两年，心超 AI 领域涌现了三种主流思路。

监督学习（PanEcho，耶鲁团队）：直接用医生标注的数据训练模型完成39项临床任务。问题在于标注本身有误差，而且标注量远远不够覆盖心超的复杂性。

对比学习（EchoPrime，斯坦福团队）：让模型学习"视频-文字报告"的对应关系，通过1200万对视频和报告训练。问题在于模型对齐的是报告语言，而非心脏解剖结构本身，报告写了什么它就学什么，报告没提的它就忽略。

像素重建（EchoFM，遮掩自编码）：遮住视频的一部分，让模型猜被遮住的像素长什么样。问题最根本：为了还原像素，模型必须记住散斑的统计规律，因为散斑也是像素的一部分。

隔着毛玻璃认人脸

EchoJEPA 的核心思路可以这样理解：想象你在训练一个人隔着毛玻璃认人脸。

毛玻璃对应的就是超声散斑，它模糊了真实的画面，而且每次拍摄毛玻璃的纹路都不一样。人脸的五官轮廓是你真正关心的信息，对应心脏的腔室形态和瓣膜运动。

像素重建的训练方式相当于：把毛玻璃照片遮掉一半，要求学生逐像素还原被遮住的部分。学生不得不去记忆毛玻璃的纹路，因为那也是像素的一部分。训练越久，学生越擅长画毛玻璃纹路，但对纹路背后的人脸结构理解未必更深。

EchoJEPA 的做法不同。它安排了一位"慢半拍的观察员"（技术上叫 EMA 教师编码器），用稍慢的节奏消化同样的画面，产出一份"摘要"。因为它关注的是跨时间稳定的结构，比如心壁在这一帧和下一帧的位置关系，而非每帧不同的散斑，这份摘要天然偏向解剖学信号。学生的任务变成：预测观察员对被遮住区域会给出什么摘要，而不是还原原始像素。

结果，学生学到的是"毛玻璃后面有什么"，而非"毛玻璃纹路长什么样"。

这个类比有局限：真实的 EMA 教师其实是学生自身参数的滑动平均，两者在持续互相影响。"慢半拍的观察员"只是帮助理解"稳定预测目标"这个核心机制，实际的数学过程比"一个人看另一个人的笔记"复杂得多。

数据规模：1800万条视频，30万病人

EchoJEPA 的旗舰模型（ViT-Giant，11亿参数）在1800万条心超视频上训练，覆盖30万名病人，来自多个机构和不同品牌超声设备，是心超领域迄今最大的预训练数据集。对比来看，EchoPrime 用了1200万视频-报告对，PanEcho 用了100多万视频。

为了让结果可复现，团队还提供了一个用公开数据（MIMIC-IV-Echo，52.5万视频）训练的较小版本 EchoJEPA-L，代码已开源。

效果：碾压级的数字

论文做了一个关键对照实验：同样的模型架构（ViT-Large）、同样的数据、同样的算力，只改变训练目标：像素重建 vs 潜在预测。结果，EchoJEPA-L 在左心室射血分数（LVEF）估计上比像素重建版本误差低26.7%（5.97 vs 8.15），视图分类准确率高出45个百分点（85.5% vs 40.4%）。

几个最惊人的数字：

用1%的标注数据训练视图分类，EchoJEPA-G 达到78.6%准确率，而 EchoPrime 用100%标注数据只有42.1%。换句话说，用百分之一的标签就超过了别人用全部标签的成绩。

在声学干扰测试中（模拟肥胖患者的信号衰减和肋骨造成的声学阴影），EchoJEPA 的性能只下降2.3%，EchoPrime下降16.8%。抗噪能力差了7倍多。

在儿科数据上零样本测试（完全没见过儿童心超数据），EchoJEPA-G 的误差为4.32%，比所有对手微调后的成绩还好。而像素重建版本在微调后几乎没有改善（6.79→6.75），说明它学到的表示太依赖成人心超的散斑模式，切换人群后就失效了。

代价方面：旗舰模型依赖1800万条专有数据，无法公开复现；鲁棒性测试用的是合成扰动而非真实临床数据；模型可能存在记忆化风险，团队坦承尚未充分研究。

论文定位：杨立昆理论的首次临床验证

论文摘要最后一句说："establishing latent prediction as a superior paradigm for robust, generalizable medical AI."

用的是"superior paradigm"（优越范式），而非"novel method"。言下之意：这个思路从根本上比像素重建更适合医学超声。论文确实用控制变量实验支撑了这个判断：架构、数据、算力完全相同，只改目标函数，潜在预测全面胜出。

杨立昆在社交媒体上为这篇论文点了赞。这个动作的含义很明确：他在为自己的学术路线收集证据。

杨立昆2022年提出 JEPA 理论后，批评者一直追问"show me the breakthrough"：你说潜在预测比像素重建好，在实际任务上证据在哪？在自然视频领域，V-JEPA 系列表现不错，但纹理和语义有较强相关性，像素重建也能凑合，两者差距不够震撼。超声散斑提供了近乎完美的检验场景：纹理和语义彻底脱钩，你要么学噪声，要么学结构，没有中间地带。EchoJEPA 的控制实验证明了在这种条件下，两种范式的差距是碾压级的。

更关键的是验证来自 Meta 体系之外。Bo Wang 团队在多伦多大学和 UHN 独立完成了整个项目，虽然论文致谢中提到 Meta AI 团队的 Quentin Garrido 和 Koustuv Sinha 在 JEPA 训练策略和架构适配上提供了指导，但实验设计、数据收集和临床验证全部独立完成。对于一个被质疑"缺乏杀手级应用"的理论框架来说，外部团队在高价值临床场景下用严格实验得出的碾压级数据，比 Meta 自己实验室再出十篇论文都有说服力。

从学术政治的角度看，EchoJEPA 不是一篇低调的工程改进，而是一次方法论层面的立场宣言：对于噪声主导的医学影像，重建像素是走弯路。

论文地址：

https://arxiv.org/pdf/2602.02603

END本文来自至顶AI实验室，一个专注于探索生成式AI前沿技术及其应用的实验室。致力于推动生成式AI在各个领域的创新与突破，挖掘其潜在的应用场景，为企业和个人提供切实可行的解决方案。Q&AQ1：EchoJEPA是什么？

A：EchoJEPA是加拿大大学健康网络（UHN）的AI团队开发的心脏超声AI模型，首次将Meta科学家杨立昆提出的JEPA架构应用于医学影像。它用1800万条心脏超声视频训练，通过在抽象空间预测而非重建像素的方式，解决了超声图像中散斑噪声的干扰问题，在多项临床任务上全面超越现有方法。

Q2：EchoJEPA比传统方法好在哪里？

A：EchoJEPA最大的优势是只用1%的标注数据就能达到78.6%的准确率，超过其他方法用100%数据的表现。在抗噪声能力上，它的性能下降只有2.3%，而对比方法下降16.8%。在完全没见过的儿科数据上，EchoJEPA零样本测试的误差也比其他方法微调后更低，证明它学到的是心脏结构而非噪声模式。

Q3：心脏超声图像的散斑是什么问题？

A：散斑是超声图像中类似雪花的随机噪点,由超声波在组织中散射产生，跟心脏结构无关。同一病人换个角度拍，散斑图案就完全不同。医生能自动过滤散斑关注心脏结构，但传统AI会把散斑当成像素的一部分去学习，导致学到的是噪声规律而非真正的心脏解剖信息。EchoJEPA通过预测抽象表示而非像素，避免了这个问题。