PhAI Labs联合牛津、斯坦福、普林斯顿、港中文等高校团队发布JEPA-Anything，一个面向不同“世界”学习预测模型的跨领域框架。该框架让每个领域保留自己的观测形式、context-target构造和编码器，但共享预测核心以及一套统一的latent world-state interface。

在生物医学领域，研究者利用模型学到的内部因子，提出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。在宏观宇宙领域，研究者将模拟的行星位置和速度轨迹喂给模型，不告知开普勒定律，模型学完后提取出的“轨道频率-半长轴”关系拟合斜率达-1.4991（理论值为-1.5），R²=0.99999999。

JEPA-Anything的核心机制是OPF（正交预测分解），将原本完整的目标状态切割为多个彼此互补的子空间，交由不同预测分支独立处理，再拼回完整世界状态。OPF引入正交约束，让不同factor占据互不重叠的预测方向，并通过因子活性约束和编码器方差约束避免部分factor失活、降低表示坍缩风险。这些factor学什么由数据中的可预测结构决定，而非预先规定。

该研究尝试回答：AI在理解天气、分子、细胞、病人、机器人乃至行星等不同领域“如何变化”时，能否共享一套更底层的预测学习方法。JEPA路线选择在表征空间做预测，不必还原每个像素或细节，从而减少纹理、噪声等原始空间细节的干扰。