PhAI Labs 等发布 JEPA-Anything：跨领域共享预测核心
一套预测核心能否通吃七个领域？论文给出的答案是局部成立：做了能拆解、能重新组合的验证，也留有未覆盖的边界。
PhAI Labs 联合牛津、斯坦福等团队发布 JEPA-Anything，一个跨领域的世界模型框架。它让视觉、生物、临床、控制、分子、物理场、天气等七个领域各自保留自己的观测形式和编码器，但共用后面的预测核心；关键机制 OPF（正交预测分解，把目标状态切成若干互补子空间交给不同分支独立预测）用来避免强信号挤占预测容量。
正文摘录
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。 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。 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 。 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？ 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。 例如， DreamerV3 强调先构建环境模型，再在模型内部“构想”行动后果； V-JEPA 2 则将视频表征学习与机器人控制结合，让机械臂在规划动作前，先预测不同行为带来的物理反馈。