JEPA-Anything框架实现跨七类系统预测
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨领域预测框架
PhAI Labs 与牛津、斯坦福、普林斯顿、港中文等团队共同发布了 JEPA-Anything，这是一个面向不同世界学习预测模型的跨领域框架。该框架的设计思路是让各领域保留自己的观测形式、context-target 构造方式和编码器，同时共享一个预测核心以及统一的 latent world-state interface。这意味着，视觉、生物、临床、控制、分子、物理场和天气七类系统在训练时，各自的数据形态和编码方式不变，但预测环节遵循同一套搭建规则。统一隐空间表征之后，不同领域的预测任务可以复用同一个核心模块，而无需为每个领域单独设计预测架构。这种分工既尊重了领域数据的差异性，又在预测层面实现了跨领域的共性抽象。
正交预测分解机制
关键机制 OPF（正交预测分解）将目标状态切分为互补子空间，并引入正交约束，以减少多分支重复学习同类信息。为避免某些因子在训练中失活，OPF 还采用了因子活性约束和编码器方差约束。每个 factor 具体学习什么内容，由数据中可预测的结构决定，并未预先规定。训练完成后，这些 factor 会留下可供后续分析的内部接口，为干预方案的提出提供依据。在 CITRIS Interventional Pong 受控环境中，团队验证了拆解、学习再组合的过程：训练阶段模型仅接收单一因子变化的数据，测试阶段则面对此前未出现过的多因子组合干预。这一设置检验了模型对因子组合的泛化能力。
生物医学干预验证
利用模型内部因子，团队提出了细胞因子联合抗体阻断的干预方案，并依次在细胞系、类器官和小鼠实验中进行了层层验证。这一过程展示了从模型内部表征到具体生物医学干预建议的转化路径。在七类系统的验证中，各领域保留各自编码器与数据形态，统一隐空间表征后的预测搭建规则保持一致。对于读者而言，JEPA-Anything 提供了一种跨领域预测模型的构建思路：通过共享预测核心和统一接口，不同领域可以在保持自身数据特性的同时，利用正交预测分解获得可解释的因子结构，并基于这些因子设计干预方案。
为什么值得看
验证了AI跨领域理解万物变化规律的底层通用性。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。