据量子位报道，PhAI Labs联合牛津、斯坦福、普林斯顿、港中文等高校团队发布跨领域世界模型框架JEPA-Anything，尝试用共享的预测核心处理视觉、生物、临床、控制、分子、物理场和天气等不同系统。论文称，该框架在多项预测任务中降低误差，但并未实现一个统一所有领域的世界模型。

JEPA-Anything面向不同“世界”学习预测模型。各领域保留自己的观测形式、context-target构造和编码器，共享后面的预测核心以及一套统一的latent world-state interface。其关键机制OPF（正交预测分解）把原本完整的目标状态切割为多个互补子空间，交给不同预测分支独立处理，再拼回完整世界状态。为避免多个分支重复学习同一类信息，OPF引入正交约束，并通过因子活性约束和编码器方差约束，降低表示坍缩风险。这些因子并不预先规定负责速度、温度或某条生物通路，学什么由数据中的可预测结构决定。

论文在受控动态环境CITRIS Interventional Pong中先做实验。训练阶段模型只接收单一因子变化数据，测试阶段面对此前未出现的多因子组合干预。结果显示，在分布内的单项干预中，JEPA-Anything相较标准JEPA降低约11.7%的预测误差；在未见过的多因子组合干预中，均方误差下降约3.5%，五组配对训练seed全部改善。

随后，研究构建严格对齐的动力学基准，在十项任务中确保标准JEPA与JEPA-Anything使用相同训练数据、编码器、状态转移骨干网络、计算预算及评估切分。九项预测任务中，JEPA-Anything性能指标均有提升。PDEBench中的Burgers方程MSE下降39.7%，浅水方程下降39.3%，WeatherBench 2下降10.5%。论文还进行多步rollout。在液态水、α-石英、对乙酰氨基酚和苯四种分子体系中，无论一步预测MAE还是100步自由rollout后的最终位置RMSD，JEPA-Anything都取得最低误差。

实验也显示并非所有任务都占优。在连续控制测试中，JEPA-Anything在Walker2d和HalfCheetah上平均得分高于标准JEPA，但在Hopper上标准JEPA更好。在额外的Burgers测试中，预测长度从20步增加到50步时，JEPA-Anything仍领先，但优势明显缩小。论文因此验证的是共同预测原则具备跨领域适用性，而非已经实现统一所有领域的世界模型。

论文进一步追问模型隐空间中的因子是否具备科学探索价值。在肝癌研究中，研究人员分析模型内部形成的正交因子坐标，筛出IL-18联合NT5E/CD73阻断方案，并推进到Huh7-PBMC共培养体系、患者来源肝细胞癌类器官和肿瘤组织碎片，之后加入免疫健全小鼠验证。在3份患者类器官与3份肿瘤组织碎片中，IL-18与CD73阻断剂组合均展现最强肿瘤细胞杀伤力，并伴随显著增强的免疫细胞激活。

行星轨道案例则用开普勒第三定律检验模型内部学到的东西。研究者仅向模型输入模拟产生的行星位置与速度轨迹，未附带先验公式。训练完成后，对模型隐模式进行频谱分析，将提取频率与轨道半长轴配对，拟合得到斜率-1.4991，理论值为-1.5，R²为0.99999999。

PhAI Labs此前提出“科学发现大模型”（Discovery Foundation Models, DFM），推动AI参与识别未知、形成假设、设计干预并根据证据修正。JEPA-Anything位于其世界模型层，试图把科学trajectory和真实世界变化中可预测的部分压缩成可快速调用的预测能力，在成本更高的真实实验前提供近似判断。论文显示，模型内部结构除服务预测，也可被研究者继续分析并接受实验和已知规律检验，但距离“AI理解万物”仍有相当距离。