암세포에서 행성 궤도까지: 하나의 예측 코어가 서로 다른 세계를 배울 수 있을까

들어가며

날씨, 분자, 세포, 행성 궤도는 서로 전혀 다른 법칙을 따르는 것처럼 보입니다. 하지만 현재 상태를 바탕으로 시스템의 다음 변화를 예측한다는 문제는 공통적입니다. PhAI Labs와 여러 대학 연구진이 제시한 JEPA-Anything은 이런 서로 다른 영역에서 하나의 예측 원리를 재사용할 수 있는지 살펴봅니다. 모든 데이터를 하나의 입력 형식으로 섞는 접근은 아닙니다.

변화를 나누어 학습하는 방식

JEPA는 원본 관측을 세부적으로 복원하는 대신 잠재 공간에서 목표 상태를 예측합니다. JEPA-Anything은 여기에 OPF, 즉 Orthogonal Predictive Factorization을 추가했습니다. 목표 상태를 서로 보완적인 여러 부분공간으로 나누고, 각각을 별도의 예측 분기가 학습한 뒤 전체 상태로 다시 결합합니다.

직교 제약은 여러 분기가 같은 정보를 중복해 학습하는 것을 줄이기 위한 장치입니다. 요인 활성도와 인코더 분산에 대한 제약은 일부 요인이 작동하지 않거나 표현이 붕괴하는 문제를 완화합니다. 각 요인에 속도, 온도, 특정 생물학적 경로를 미리 지정하지 않고 데이터에서 예측 가능한 구조를 스스로 학습한다는 점도 핵심입니다. 분야별 인코더와 관측 형식은 유지하되, 예측 코어와 잠재 상태 인터페이스를 공유합니다.

일곱 가지 시스템에서의 검증

보고서는 시각, 생물학, 임상, 제어, 분자, 물리장, 날씨 시스템을 대상으로 평가했습니다. 통제된 개입 실험에서는 단일 요인뿐 아니라 학습 과정에서 보지 못한 다중 요인 조합에서도 예측 오차가 감소했습니다. 조건을 맞춘 동역학 벤치마크에서는 열 개 과제 중 아홉 개에서 표준 JEPA보다 나은 지표를 보였다고 보고합니다. Burgers 방정식, 천수 방정식, WeatherBench 2에서도 개선이 나타났습니다.

분자 실험에서는 물, α-석영, 파라세타몰, 벤젠의 장기 롤아웃을 평가했고, 보고된 비교에서 JEPA-Anything의 오차가 가장 낮았습니다. 그러나 모든 상황에서 우세했던 것은 아닙니다. 연속 제어의 Hopper에서는 표준 JEPA가 더 나았고, 예측 길이가 길어질수록 새로운 방식의 장점도 줄었습니다. 따라서 이 결과가 입증하는 것은 완성된 범용 세계 모델이 아니라 재사용 가능한 예측 원리입니다.

잠재 요인을 과학적 가설로 연결하기

연구진은 예측 정확도뿐 아니라 모델 내부 요인도 분석했습니다. 간암 연구에서는 잠재 공간 분석을 통해 IL-18과 NT5E/CD73 차단을 결합하는 후보를 선정하고, 세포계, 환자 유래 오가노이드, 종양 조직 절편, 면역 정상 생쥐에서 검증했습니다. 보고서에 따르면 대상 샘플에서 종양세포 사멸과 면역세포 활성화가 강하게 나타났지만, 독립적인 후속 검증은 여전히 필요합니다.

행성 궤도 실험에서는 위치와 속도 시뮬레이션 궤적만 모델에 입력했습니다. 잠재 모드를 분석한 결과, 궤도 주파수와 장반경의 관계에서 얻은 기울기는 -1.4991로 케플러 제3법칙의 이론값 -1.5에 가까웠습니다. 잠재 표현을 기존 물리 법칙과 대조할 수 있다는 가능성을 보여주는 사례입니다.

의미와 한계

JEPA-Anything은 AI가 ‘모든 것을 이해했다’는 증거가 아닙니다. 각 과학 분야의 데이터 형식은 유지하면서, 예측 가능한 변화를 학습하는 메커니즘을 공유하자는 보다 제한적인 제안입니다. 잠재 요인이 가설 수립과 실험 설계의 중간 인터페이스가 될 수 있지만, 분야를 넘나드는 견고성, 장기 예측 안정성, 독립 재현성은 앞으로 해결해야 할 과제입니다.

출처: 퀀텀비트