从癌细胞到行星轨道：同一套预测框架能否学习不同世界？

导语

天气、分子、细胞和行星轨道看起来属于完全不同的知识体系，却可能共享一个问题：如何根据当前状态预测系统接下来会怎样变化。PhAI Labs联合多所高校提出的JEPA-Anything，试图验证一种跨领域的预测方法，而不是打造一个把所有数据直接混在一起训练的“大一统模型”。

核心方法：把变化拆开学习

JEPA的基本思路是在隐空间中预测目标状态，不必逐像素重建原始数据。JEPA-Anything在此基础上加入OPF，即正交预测分解。它把目标状态划分为多个互补子空间，由不同预测分支分别学习，再组合成完整状态。正交约束用于减少分支之间的重复学习，因子活性和编码器方差约束则帮助避免部分表示失效或发生坍缩。

这些因子并没有被预先指定为“速度”“温度”或某条生物通路，而是由数据中可预测的结构自行形成。框架保留各领域适用的编码器和数据格式，只在更靠后的预测核心与隐空间接口上进行统一。

七类系统中的表现

报告在视觉、生物、临床、控制、分子、物理场和天气等系统中进行测试。受控的干预实验表明，模型在单因子和未见过的多因子组合上都降低了预测误差。在对齐的动力学基准中，十项任务有九项获得指标改善；Burgers方程、浅水方程和WeatherBench 2等任务也出现明显误差下降。对液态水、石英、对乙酰氨基酚和苯进行长期自由滚动预测时，该方法同样取得较低误差。

但它并非在所有场景都占优。连续控制中的Hopper任务由标准JEPA取得更好表现，预测步数拉长后，误差累积也会削弱优势。因此，报告支持的是一种可复用的预测原则，而不是已经完成的通用世界模型。

从预测结果到科学假设

研究者还分析了模型的内部因子。在肝癌案例中，团队从隐空间分析中筛选出IL-18联合NT5E/CD73阻断这一候选方案，并在细胞系、患者来源类器官、肿瘤组织碎片和免疫健全小鼠等层面进行验证。报告称，该组合在相关样本中表现出较强的肿瘤杀伤和免疫激活效果，但这仍应被视为一条需要持续验证的研究链路。

在行星轨道案例中，模型只接收模拟的位置与速度轨迹。研究者从隐模式中提取轨道频率与半长轴关系，拟合斜率为-1.4991，接近开普勒第三定律的-1.5。这说明隐空间不仅可以服务预测，也可能被拿来与已知物理规律对照。

意义与边界

JEPA-Anything的价值不在于证明AI已经“理解万物”，而在于提出一种更具体的路线：不同科学领域可以保留自己的观测方式，同时共享一套处理可预测变化的机制。如果模型内部结构能够被解释、分析，并通过实验或物理规律检验，它就可能成为科学发现流程中的中间接口。不过，跨领域性能、长期滚动稳定性以及候选干预的独立复现，仍是这条路线必须面对的关键问题。

来源：量子位