PhAI Labs将JEPA扩展为跨七领域世界模型，并生成一个肝癌候选组合
论文提出JEPA-Anything，把预测状态拆成四个正交因子分别预测再重组；在简化Pong场景中预测误差下降 35%，并给出IL-18联合CD73阻断的肝癌候选方案，但研究未证明其可成为疗法。
AI解读：JEPA类模型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。JEPA-Anything的改变是把预测状态拆成四个正交因子，每个因子由独立预测模块处理，再用约束推动模块捕捉不同侧面，最后重组为完整世界状态。
作者认为标准做法把一切汇入单一预测，使容易的模式淹没较难的模式。与同架构、同数据、同条件的标准JEPA相比，动态系统上提升最明显：简化Pong环境中有针对性干预时预测误差下降 35%，训练中未见的干预组合下降 13%。
在物理、机器人、天气预测的十项测试任务中，作者称JEPA-Anything一致优于基线；Burgers方程误差下降近一半，但 50 步预测后优势缩小到约 3%。单细胞数据上细胞类型分配更可靠，临床数据上对 1000 多个可能疾病事件的预测略好，图像任务差异较小。
最受关注的案例来自肝癌：研究者分析模型从基因活性、蛋白水平、CRISPR筛选等生物数据中学到的部分预测，排名最高的候选是IL-18联合CD73酶阻断。团队在肝癌细胞与免疫细胞共培养、各三个患者的类器官和肿瘤组织以及小鼠中做了测试，类器官和组织样本中该组合杀死的肿瘤细胞多于单独使用IL-18或CD73阻断，T细胞和自然杀伤细胞活化更强。研究未确立这是否能成为实际疗法。
另一个案例中，模型在未获得任何物理量的模拟轨道数据上训练，学到的规律几乎精确匹配开普勒第三定律：轨道频率与轨道大小的 -1.5 次方成正比，模型给出 -1.4991。作者提醒，学习到的部分清晰分离不等于捕捉到真实因果关系，模型何时可靠到能指导实验设计仍是开放问题；团队长期目标是让AI智能体用JEPA-Anything提出并排序实验，再把结果反馈给模型。代码和模型已公开。
PhAI Labs与斯坦福、牛津、普林斯顿的研究者发表论文，提出JEPA-Anything，将Yann LeCun提出的JEPA架构扩展到七个差异很大的领域。
该工作还产生了一个肝癌治疗候选组合IL-18联合CD73阻断，团队在细胞、类器官、患者肿瘤组织和小鼠中做了实验室测试；研究本身并未确立这一组合能否成为实际疗法。
JEPA-Anything怎么改：把预测状态拆成四个正交因子
JEPA类模型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，过滤掉无关细节。论文作者认为标准做法存在弱点：所有内容被汇入单一预测，容易的模式会淹没较难的模式。
JEPA-Anything把预测状态拆成四个正交因子，每个因子由自己的预测模块处理；一个额外约束推动这些模块捕捉不同侧面，而不是学到同样的东西，模型再把这些部分预测重组为完整世界状态。研究者不为各部分指定含义，让角色在训练中自行出现，他们只针对不同领域改变数据准备方式。
与标准JEPA的同条件对比
- 在简化Pong环境中有针对性干预时，预测误差下降 35%；对训练中未见的干预组合，误差下降 13%。
- 作者称在物理、机器人、天气预测的十项测试任务中，JEPA-Anything一致优于基线。
- 在流体动力学常用基准Burgers方程上，另一项评估中误差下降近一半；但 50 步预测后优势缩小到约 3%。
- 在水、石英、对乙酰氨基酚和苯的模拟中，即使经过 100 步，该方法也得分最高。
- 单细胞数据上细胞类型分配更可靠；临床数据上对 1000 多个可能疾病事件的预测略好；图像任务差异较小。
- 在模拟步行机器人的运动规划中，JEPA-Anything在三个环境中的两个胜出，标准模型在第三个中领先。
肝癌候选组合的实验室测试范围
研究者分析模型从生物数据中学到的部分预测，数据包括基因活性、蛋白水平和CRISPR筛选。排名最高的候选将IL-18（一种激活免疫细胞的信号分子）与CD73酶阻断配对，肿瘤会利用CD73抑制附近免疫反应。
团队在肝癌细胞与免疫细胞共培养、来自各三名患者的类器官和肿瘤组织以及小鼠中测试了该组合。在类器官和组织样本中，该组合杀死的肿瘤细胞多于单独使用IL-18或CD73阻断，T细胞和自然杀伤细胞表现出更强活化。来源明确指出，该研究未确立这一组合能否成为实际疗法。
轨道模拟与作者自陈的限制
在第二个案例中，研究者在未提供任何物理量的模拟轨道数据上训练模型，学到的规律几乎精确匹配开普勒第三定律：轨道频率与轨道大小的 -1.5 次方成正比，模型给出 -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。
作者也提醒，学习到的部分清晰分离，不等于它们捕捉到真实的因果关系；模型何时可靠到足以指导实验设计，仍是开放问题。团队的长期目标是让AI智能体用JEPA-Anything提出并排序实验，再把结果反馈给模型。论文称代码和模型已公开。