研究人员把 LeCun 的 JEPA AI 拓展为通用世界模型，从物理到生物都能用

一句话看懂：PhAI Labs 联合斯坦福、牛津、普林斯顿等机构，把 Yann LeCun 提出的 JEPA 架构拓展成 JEPA-Anything，让同一个“世界模型”原则横跨物理、机器人、气象、单细胞和临床等多个领域；模型还给出一个肝癌联合治疗方案，并在实验室样本和小鼠中完成初步验证。

事件核心：发生了什么

2026 年 10 月公开的论文介绍了 JEPA-Anything。它沿用 Joint-Embedding Predictive Architectures（JEPA）的思路：不重建像素等原始数据，而是预测缺失或未来状态的抽象摘要。研究团队的改动在于，把预测结果拆成四个正交因子，每个因子配一个独立预测器，训练中不预设各部分的含义，只调整数据准备方式，最后再拼回完整世界状态。与同架构、同数据的标准 JEPA 相比，简化 Pong 环境中有针对性干预时预测误差下降 35%，面对训练中没见过的干预组合下降 13%；Burgers 方程基准上误差在单次评估中减少近一半，但在 50 步预测后优势缩小到约 3%。

为什么重要

世界模型此前基本是“一域一模型”：机器人、分子、患者健康各自训练。JEPA-Anything 试图证明共享架构可以覆盖七类差异很大的任务，这对算力和研发成本的摊薄有直接意义。更值得注意的是方向选择——LeCun 长期主张不靠生成像素、而靠抽象表征学习世界规律，这项工作把该路线从概念推进到跨领域评测，并给出可复现的对照实验。目前公开信息显示，它在物理流方程上收益最大，在像素级动态任务上优势很小，距离“通用”还有明显距离。

对用户/开发者/创作者的影响

开发者可以关注多预测器拆分这一训练技巧，它属于架构层面的改动，不绑定特定数据模态，理论上可迁移到视频预测、机器人规划或科学数据建模。对 AI for Science 团队而言，模型从基因活性、蛋白水平和 CRISPR 筛选中挑出 IL-18 联合 CD73 阻断的组合，并在类器官、三位患者肿瘤组织和小鼠中显示比单用任一成分杀死更多肿瘤细胞、激活更多 T 细胞和 NK 细胞——这说明世界模型可以作为候选方案筛选工具，但论文并未证明它能成为真正疗法。普通用户短期内不会直接用到，创作者的想象空间主要在科学内容解读。