PhAI Labs and universities unveil JEPA-Anything, a cross-domain framework for learning predictive models across seven systems
PhAI Labs, together with researchers from Oxford, Stanford, Princeton, and CUHK, released JEPA-Anything, a cross-domain framework that learns predictive models for different 'worlds' by sharing a prediction core and a unified latent world-state interface while keeping domain-specific encoders. The framework was validated across seven system types, including patient-derived organoids and simulated planetary orbits, where the learned orbital frequency–semimajor axis relation matched Kepler's third law with high precision. The work suggests a common underlying method for AI to understand change across diverse domains.
Coverage timeline
量子位量子位
AI离“理解万物”还有多远？先拿癌细胞和行星轨道试试水 梦瑶 2026-09-19 14:39:32 来源： 量子位 同一预测核心，跨七类系统验证 衡宇 发自 凹非寺 量子位 | 公众号 QbitAI 一篇技术报告中居然出现了两个看起来风马牛不相及的研究对象，跟着AI真是见世面。 一个是 患者来源的类器官 ，另一个则 跨越到了宏观宇宙 …… 先说前者。研究者利用模型学到的内部因子，提出了细胞因子联合抗体阻断的干预方案，并经细胞系、类器官、小鼠实验层层验证。 至于后者，研究者把模拟的行星位置和速度轨迹喂给模型，不告诉它开普勒定律。 等它学完后分析其内部的预测模式，提取出的“轨道频率-半长轴”关系拟合斜率达-1.4991（开普勒第三定律理论值为-1.5），且R²=0.99999999。 肿瘤研究和行星轨道计算 两个八竿子打不着的领域，居然能用同一种预测学习方法来搞定。 大千世界千差万别，天气、分子、细胞、病人、机器人乃至行星，各自遵循完全不同的规律。 但 AI在理解它们“如何变化”时，有没有可能共享一套更底层的方法？ 最近，PhAI Labs联合牛津、斯坦福、普林斯顿、港中文等高校团队最新发布的 JEPA-Anything ，就在尝试回答这个问题。 论文显示，JEPA-Anything是一个 面向不同“世界”学习预测模型的跨领域框架 。 每个领域保留自己的观测形式、context-target构造和编码器，但共享后面的预测核心以及一套统一的latent world-state interface。 其中涉及一个叫做 OPF （Orthogonal Predictive Factorization，正交预测分解） 的关键机制 。 可以先简单理解为： 别把世间各种各样的变化，全都堆在一块去学习建模。 给世界建模，一条预测通路可能不够 首先来厘清一个概念，在JEPA-Anything这项研究中，“世界模型”究竟意味着什么？ JEPA-Anything论文给出的定义兼具宽泛度与操作性。 论文写道， 只要模型能根据现有信息 （Context） 建立内部状态，并以此预测同一系统中的另一个状态，均可归入隐空间世界模型 （Latent World Model） 的范畴。 这里的“另一个状态”，既可以是时间上的未来，也可以是空间上的隐藏区域、不同视角，甚至是施加某种干预后的结果。 顺着这
