在一份技术报告中，两个看似风马牛不相及的研究对象同时出现，着实让人大开眼界。一个是患者来源的类器官，另一个则是宏大的宇宙行星。前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；后者则将模拟的行星位置和速度轨迹喂给模型，不告知其开普勒定律，结果提取出的“轨道频率-半长轴”关系拟合斜率达-1.4991，与理论值-1.5高度吻合，R平方接近1。肿瘤研究和行星轨道计算两个领域，竟然能用同一种预测学习方法搞定。
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、港中文等高校团队发布的JEPA-Anything，正是在尝试回答这个问题。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。其核心机制OPF（正交预测分解）旨在解决标准JEPA将所有信息汇入单一预测路径导致信号拥挤的问题。通过将目标状态切割为多个互补子空间，OPF让不同分支独立学习，并通过正交约束确保因子互不重叠，减少冗余和表示坍缩风险。
在这项研究中，“世界模型”被定义为：只要模型能根据现有信息建立内部状态，并以此预测同一系统中的另一个状态，即可归入隐空间世界模型范畴。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。相比直接在原始空间重建，JEPA选择在表征空间预测，将更多表征能力留给具有预测价值的结构，减少纹理、噪声等原始空间细节的干扰。
为了验证跨领域泛化能力，JEPA-Anything并未局限于视频表征或机器人控制等传统领域，而是将同一套预测核心置于视觉、生物、临床、控制、分子、物理场和天气七类截然不同的系统中。在CITRIS Interventional Pong实验中，模型面对从未出现过的多因子组合干预时，表现优于标准JEPA。随后，在严格的Matched Dynamics Benchmark中，模型在九项任务上均取得提升。比如PDEBench里的Burgers方程，均方误差下降39.7%；浅水方程下降39.3%；WeatherBench 2下降10.5%。分子系统实验显示，模型在液态水、α-石英等体系中，无论是单步预测还是100步自由rollout，误差都最低。虽然连续控制任务中表现不一，且长距离预测误差会累积，但这证明了“共同预测原则”具备跨领域复用的潜力。
更重要的是，论文展示了模型内部结构如何成为科学分析接口。这就回到了开头那两个案例。在肝癌研究中，研究人员分析了模型内部的正交因子坐标，筛选出“IL-18联合NT5E/CD73阻断”的候选组合，并在患者类器官和小鼠模型中得到验证，展现出强大的肿瘤杀伤力。在行星轨道案例中，研究人员对模型隐模式进行频谱分析，发现提取出的频率与轨道半长轴关系完美符合开普勒第三定律。这些案例表明，模型不仅负责预测，其内部学到的结构也能被研究者拿出来分析、检验。这验证了“模型内部结构可以作为科学发现接口”的可能性。JEPA-Anything位于PhAI Labs“科学发现大模型”战略的世界模型层，旨在将复杂系统的可预测变化压缩成可调用的预测能力，在昂贵实验前提供近似判断。它不只是在预测一个世界，更开始把自己学到的“世界”暴露出来，供科学家继续研究。