JEPA-Anything: uniwersalny model świata od LeCuna

Zespół badawczy pod kierownictwem PhAI Labs, we współpracy ze Stanford, Oxford i Princeton, rozszerzył architekturę JEPA (Joint-Embedding Predictive Architecture) opracowaną przez Yanna LeCuna tak, aby działała w siedmiu odległych od siebie dziedzinach – od fizyki, przez robotykę, po biologię i medycynę. Efektem ubocznym prac jest kandydat na terapię raka wątroby, którego skuteczność sprawdzono w laboratorium.

Modele świata przewidują, jak będzie rozwijał się dany system – niezależnie od tego, czy chodzi o robota, cząsteczkę czy stan zdrowia pacjenta. Dotychczas każda dziedzina wymagała zwykle osobnego modelu. Nowa praca pokazuje, że wystarczy jedna wspólna zasada.

Na czym polega przełom w architekturze JEPA

Klasyczne modele generatywne odtwarzają surowe dane, na przykład pojedyncze piksele. JEPA działa inaczej – przewiduje abstrakcyjne podsumowanie brakującego lub przyszłego stanu, odfiltrowując szczegóły, które nie mają znaczenia dla predykcji. To podejście LeCun zaproponował w 2022 roku jako alternatywę dla modeli generatywnych.

Autorzy nowej pracy dostrzegli jednak słabość standardowego JEPA: cała informacja trafia do jednego predyktora, przez co łatwe wzorce zagłuszają te trudniejsze. Ich rozwiązanie, nazwane JEPA-Anything, dzieli przewidywany stan na cztery ortogonalne czynniki, z których każdy obsługiwany jest przez osobny moduł predykcyjny. Dodatkowe ograniczenie wymusza na modułach wychwytywanie różnych aspektów zamiast uczenia się tego samego, a model składa częściowe przewidywania w spójny obraz całości.

Co istotne, badacze nie przypisują poszczególnym częściom z góry określonych znaczeń – ich role wyłaniają się w trakcie treningu. Zmienia się jedynie sposób przygotowania danych dla każdej dziedziny.

Wyniki: wyraźne zyski w fizyce, mieszane w robotyce

Zespół porównał JEPA-Anything ze standardowym JEPA o tej samej architekturze, trenowanym na tych samych danych i w identycznych warunkach. Największe korzyści pojawiły się w układach dynamicznych.

Testy na układach dynamicznych i równaniach fizycznych

W uproszczonym środowisku Pong z ukierunkowanymi interwencjami błąd predykcji spadł o 35 procent. Dla kombinacji interwencji, których model nie widział podczas treningu, spadek wyniósł 13 procent. Na równaniu Burgersa, popularnym benchmarku dynamiki płynów, błąd zmniejszył się o niemal połowę w osobnej ewaluacji. Przewaga utrzymywała się przez 50 kroków predykcji, choć malała do około trzech procent. Metoda wypadła też najlepiej w symulacjach wody, kwarcu, acetaminofenu i benzenu, nawet po stu krokach.

Autorzy podkreślają, że JEPA-Anything konsekwentnie wygrywał z baseline w dziesięciu zadaniach testowych obejmujących fizykę, robotykę i prognozowanie pogody. Największe zyski dotyczą równań przepływu, natomiast w dynamice pikselowej przewaga nad standardowym JEPA jest ledwo mierzalna.

Dane biologiczne, kliniczne i roboty kroczące

W przypadku danych jednokomórkowych model pewniej przypisywał typy komórek, a na danych klinicznych nieco lepiej przewidywał ponad tysiąc możliwych zdarzeń chorobowych. Różnice na zadaniach obrazowych były niewielkie. W planowaniu lokomocji symulowanych robotów kroczących JEPA-Anything zwyciężył w dwóch z trzech środowisk, a w trzecim lepszy okazał się model standardowy.

Od przewidywań do kandydata na lek na raka wątroby

Najśmielsze twierdzenie zespołu pochodzi z badań nad nowotworem wątroby. Naukowcy przeanalizowali częściowe predykcje, których model nauczył się z danych biologicznych – aktywności genów, poziomów białek i wyników przesiewowych CRISPR. Najwyżej oceniony kandydat łączył IL-18, cząsteczkę sygnałową aktywującą komórki odpornościowe, z blokadą enzymu CD73, wykorzystywanego przez nowotwory do wyciszania lokalnej odpowiedzi immunologicznej.

Kombinację przetestowano na komórkach raka wątroby hodowanych razem z komórkami odpornościowymi, na organoidach i tkankach nowotworowych od trzech pacjentów oraz na myszach. W organoidach i próbkach tkanek połączenie zabiło więcej komórek nowotworowych niż każda z metod osobno, a limfocyty T i komórki NK wykazały silniejszą aktywację.

Autorzy zastrzegają jednak, że badanie nie rozstrzyga, czy taka terapia mogłaby kiedykolwiek powstać. Zaznaczają też, że czysty podział wyuczonych części nie oznacza, iż odzwierciedlają one rzeczywiste związki przyczynowo-skutkowe.

Model odkrył prawo Keplera bez znajomości fizyki

W drugim przypadku badacze wytrenowali model na symulowanych orbitach, nie podając mu żadnych wielkości fizycznych. Wyuczone wzorce okazały się niemal dokładnym odzwierciedleniem trzeciego prawa Keplera, zgodnie z którym ciała na większych orbitach poruszają się znacznie wolniej. Prawo wiąże częstotliwość orbitalną z rozmiarem orbity potęgą minus 1,5 – model doszedł do wartości minus 1,4991.

Zespół ocenił jednak tylko jeden przebieg treningowy i wybrał ten o najniższym błędzie. Otwartym pytaniem pozostaje, kiedy taki model stanie się wystarczająco niezawodny, by kierować projektowaniem eksperymentów. To właśnie długoterminowy cel badaczy: agenci AI mieliby używać JEPA-Anything do proponowania i rankingu eksperymentów, a następnie wprowadzać wyniki z powrotem do modelu. Kod i modele są publicznie dostępne.

JEPA w szerszym kontekście wyścigu o modele świata

Od czasu zaproponowania JEPA w 2022 roku ekosystem wokół tej architektury dynamicznie się rozwija. W czerwcu 2025 roku Meta udostępniła V-JEPA 2 – model wideo oparty na JEPA z 1,2 miliarda parametrów, który sterował ramionami robotów w nieznanych środowiskach bez dodatkowego treningu. W listopadzie 2025 roku LeCun i Randall Balestriero przedstawili LeJEPA, fundament teoretyczny mający stabilizować trening bez typowych obejść. Obecnie LeCun rozwija to podejście w swoim startupie AMI Labs, który w marcu 2026 roku pozyskał ponad miliard dolarów na budowę modeli świata.

Nie jest to jedyny gracz w tej dziedzinie. Google DeepMind już w październiku 2025 roku przetestowało w laboratorium hipotezę onkologiczną wygenerowaną przez AI. Oparty na Gemma model C2S-Scale 27B zaproponował lek silmitasertib, który miałby uczynić komórki nowotworowe bardziej widocznymi dla układu odpornościowego – eksperymenty na ludzkich modelach komórkowych potwierdziły tę predykcję. Wieloagentowy system Co-Scientist od DeepMind planuje obecnie eksperymenty i obsługuje sprzęt laboratoryjny, pokrywając część pętli, którą zespół JEPA-Anything chce zbudować. Ładowanie próbek do maszyn wciąż jednak wymaga człowieka.

Praca nad JEPA-Anything pokazuje kierunek, w którym zmierza współczesna AI: od wąskich modeli specjalizowanych w jednym zadaniu ku uniwersalnym reprezentacjom rzeczywistości. Jeśli ta droga się potwierdzi, modele świata mogą stać się narzędziem wspierającym naukę w tempie, jakiego dotąd nie widzieliśmy – pod warunkiem, że uda się rozstrzygnąć pytania o ich niezawodność i rzeczywistą wartość przyczynową wyuczonych wzorców.