误差直降35%，LeCun的JEPA被改造成通用世界模型

一个模型，七个领域，从物理到生物。研究团队把Yann LeCun提出的JEPA架构拉出了单一场景，做成了一个能跨领域工作的世界模型。更意外的是，它顺手筛出了一个肝癌治疗候选方案，并在实验室里做了验证。

世界模型的作用是预测一个系统接下来会怎么走——对象可以是一台机器人、一个分子，也可以是一位患者的健康状态。此前，每个领域通常都得配一套自己的模型。由PhAI Labs牵头，联合斯坦福、牛津、普林斯顿的研究者，想证明一套共享的原理就够了。

论文给出的方案叫JEPA-Anything，建立在联合嵌入预测架构（JEPA）之上。这类模型不重建像素那样的原始数据，而是预测缺失或未来状态的一个抽象摘要，把无关细节过滤掉。作者们看到标准做法的一个弱点：所有东西都被汇入单一预测，简单模式反而会淹没更难的模式。

把一次预测拆成多个专门模块

JEPA-Anything把预测状态拆成若干部分，每部分交给独立的预测模块处理。一个附加约束推动这些模块去捕捉不同侧面，而不是学成一样的东西，模型再把各模块的部分预测重新拼成完整画面。

研究者并不给这些部分指定含义，让角色在训练中自行浮现。他们只改变一件事：为每个领域准备数据的方式。

团队把JEPA-Anything和架构相同、数据相同、条件相同的标准JEPA做了对比。动态系统上的提升最明显：在一个带定向干预的简化Pong环境里，预测误差下降了35%。面对训练中从未见过的干预组合，误差下降13%。

据作者所述，在覆盖物理、机器人、天气预报的十项测试任务中，JEPA-Anything稳定胜过基线。在流体力学常用基准Burgers方程上，另一项独立评估中误差几乎减半。拉长到50个预测步时，优势仍在，但缩小到约3%。在水、石英、对乙酰氨基酚和苯的模拟中，即便跑完100步，该方法也拿到最好成绩。

单细胞数据上，模型对细胞类型的判定更可靠；临床数据上，它对超过1000种可能疾病事件的预测略好一些。图像任务上的差距不大。在模拟步行机器人的运动规划中，JEPA-Anything在三个环境里赢下两个，标准模型在第三个环境中领先。

它标出一个肝癌方案，团队拿去做了实验

最大胆的主张来自肝癌研究。研究者分析了模型从生物数据中学到的部分预测，这些数据包括基因活性、蛋白水平和CRISPR筛选。排名最高的候选方案，把激活免疫细胞的信号分子IL-18，与抑制酶CD73联用——肿瘤正是用CD73压制周围免疫反应的。

团队在肝癌细胞与免疫细胞共培养体系中测试了这个组合，又用了每位患者各三个类器官和肿瘤组织样本，以及小鼠。在类器官和组织样本中，该组合杀死的肿瘤细胞多于单用IL-18或单用CD73阻断，T细胞和自然杀伤细胞也表现出更强的激活。这项研究并未确认它能否成为真正的疗法。

第二个案例里，研究者用模拟轨道训练模型，没有给它任何物理量。学到的模式与开普勒第三定律几乎完全吻合——轨道越大，运行越慢。该定律给出的轨道频率与轨道尺寸关系是负1.5次方，模型落在负1.4991。团队只评估了一次训练运行，并挑选了误差最低的那次。

作者提醒，学到的部分之间干净分离，并不意味着它们捕捉到了真实的因果关系。这类模型何时可靠到足以指导实验设计，也仍是未解问题。那是团队的长期目标：让AI智能体用JEPA-Anything提出并排序实验，再把结果反馈回模型。代码和模型已公开。

LeCun在2022年提出JEPA，作为生成式模型之外的另一条路。2025年6月，Meta发布了V-JEPA 2，一个12亿参数的JEPA视频模型，无需额外训练就能在陌生环境中控制机械臂。2025年11月，LeCun与Randall Balestriero跟进提出LeJEPA，一套旨在不靠常规变通手段就能保持训练稳定的理论基础。LeCun如今通过他的初创公司AMI Labs推进这条路线，该公司在2026年3月融资超过十亿美元，用于构建世界模型。

Google DeepMind此前已在2025年10月把AI生成的癌症假说带进实验室验证。其基于Gemma的模型C2S-Scale 27B提出用药物silmitasertib让肿瘤细胞更容易被免疫系统看见，人类细胞模型实验证实了这一预测。DeepMind的多智能体系统Co-Scientist如今能规划实验并操作实验设备，覆盖了JEPA-Anything团队想搭建的回路中的一部分。不过，把样本装进机器这一步，仍然需要人来做。