PhAI Labs联合多所高校发布跨领域AI预测框架JEPA-Anything

PhAI Labs联合牛津、斯坦福、普林斯顿、香港中文大学等高校团队发布跨领域预测学习框架JEPA-Anything，旨在探索不同“世界”能否共享统一的预测学习方法。该框架在视觉、生物、临床、控制、分子、物理场和天气七类系统中进行了验证。

JEPA-Anything的核心机制为OPF（正交预测分解）。它将目标状态切分为多个互补子空间，交由不同预测分支独立处理，再拼回完整状态。OPF引入正交约束以避免分支冗余，并通过因子活性约束和编码器方差约束防止因子失活与表示坍缩。各分支学习内容由数据中的可预测结构决定，而非人为预设。

在受控动态环境CITRIS Interventional Pong中，JEPA-Anything相较标准JEPA在分布内单项干预中降低约11.7%预测误差，在未见过的多因子组合干预中均方误差下降约3.5%。在严格对齐的动力学基准中，十项预测任务有九项性能提升，如Burgers方程MSE下降39.7%，浅水方程下降39.3%，WeatherBench 2下降10.5%。在四种分子系统的长时程预测试验中，JEPA-Anything也取得最低误差。

论文还展示了两组科学探索案例：在肝癌研究中，模型内部因子筛选出IL-18联合CD73阻断的候选干预方案，并经类器官和小鼠实验验证；在行星轨道案例中，模型仅从位置和速度轨迹中学到的隐模式，提取出的“轨道频率-半长轴”关系拟合斜率-1.4991，接近开普勒第三定律理论值-1.5。研究认为，模型学到的内部结构可作为科学分析接口，但尚未实现统一所有领域的完整世界模型。