论文解读 · 2026-09-19

通用世界模型跨界抗癌，JEPA-Anything 的"方子"凭什么杀瘤最强？

一个通用世界模型给癌症开了张方子——IL-18 联合 CD73 阻断。它在患者来源的肝癌类器官、肿瘤碎片和小鼠体内杀瘤最强。底气来自正交预测分解横跨七个领域的全胜战绩。

作者 Max · 约 6 分钟 · arXiv:2609.20800
01

一张越界的方子

2026 年 9 月 18 日，一篇预印本论文干了件越界的事：一个通用世界模型给癌症开了张"方子"。在 3 例患者来源的肝癌类器官和 3 例肿瘤碎片里，这张方子跑赢了所有受试条件，随后又在免疫健全小鼠体内拿到验证。但开方子的模型，主业根本不是药物研发。

这个模型叫 JEPA-Anything，出自 PhAI Labs 与香港中文大学、斯坦福、牛津、普林斯顿等机构的联合团队。同一套学习原则，在视觉、单细胞、临床、控制、分子动力学、物理场、天气七个领域全部领先。但七个领域只是铺垫，真正的故事藏在论文第 21 页。

JEPA-Anything 的三组评测场景图谱：终端读出、潜空间世界动力学与科学分析（图源：arXiv:2609.20800 论文 Figure 2）
JEPA-Anything 的三组评测场景图谱：终端读出、潜空间世界动力学与科学分析（图源：arXiv:2609.20800 论文 Figure 2）
一组正交因子坐标，把世界模型从"预测世界"推向"干预世界"
02

一个嵌入，装不下整个世界

要理解方子的来历，得先回到联合嵌入预测架构（JEPA）——Yann LeCun 力推的世界模型路线：让模型在潜空间里预测世界的另一种状态，比如从残缺画面补全被遮住的部分。但标准 JEPA 把所有可预测结构塞进同一个目标嵌入，只走一条预测通路。于是高方差结构主导梯度，弱信号被淹没，像乱炖里味道最重的食材盖住一切。

JEPA-Anything 的做法像把复方拆成药材：K 个可学习投影矩阵把目标状态分解到两两正交的子空间，每个因子配一条专属预测通路，再用伪逆合成完整隐状态。这就是正交预测分解（OPF）：严格正交时分解不丢信息，合成矩阵条件数恒为 1。但正交不是白来的——两组正交约束加因子活性下限与编码器反坍缩项，才能防止所有通路学成同一个方向。

正交预测分解（OPF）架构：目标状态被拆到多个正交因子，各配专属预测通路后再合成完整隐状态（图源：arXiv:2609.20800 论文 Figure 1）
正交预测分解（OPF）架构：目标状态被拆到多个正交因子，各配专属预测通路后再合成完整隐状态（图源：arXiv:2609.20800 论文 Figure 1）
03

七个世界，同一套法则

方子敢不敢信，取决于模型在其他"世界"里的成色。先看单细胞：以 scGPT 为骨干、在约 80 万个人类肾细胞上预训练后，JEPA-Anything 在 PBMC-10K 细胞聚类上拿到 0.8301 的 AvgBIO，高于 Cell-JEPA 的 0.7830 和 scGPT 的 0.7531。但真正的差距在零样本设定下才拉开：0.7752 对 0.5288，领先 scGPT 约 46.7%；在 Norman 扰动响应预测上，Pearson 相关系数 0.814 对 0.631。

单细胞表征与扰动预测对比：JEPA-Anything 在四项指标上全面领先 scGPT 与 Cell-JEPA（图源：arXiv:2609.20800 论文 Table 4）
单细胞表征与扰动预测对比：JEPA-Anything 在四项指标上全面领先 scGPT 与 Cell-JEPA（图源：arXiv:2609.20800 论文 Table 4）
0.8301
PBMC 聚类 AvgBIO · scGPT 0.7531
−34.8%
干预版 Pong 单干预预测误差
0.0645 Å
苯 100 步 rollout RMSD · 基线 0.0958
10 / 10
匹配动力学任务全部改进

临床场景更像真实世界的压力测试：用 GPT-2 small 骨干建模纵向病历，预测未来患者状态，再经共享解码器读出超过 1,000 种临床事件的风险。按平均 PRAUC 排名，因子化未来状态压过了结构完全一致的单体 JEPA。但稀有事件预测向来是重灾区，优势能转化出多少临床价值，论文没有展开。

超过 1,000 种未来临床事件预测的平均 PRAUC 排名（图源：arXiv:2609.20800 论文 Figure 3）
超过 1,000 种未来临床事件预测的平均 PRAUC 排名（图源：arXiv:2609.20800 论文 Figure 3）

动力学与控制是硬指标。在 10 个匹配动力学任务上，JEPA-Anything 改进了全部报告指标；在 CITRIS 干预版 Pong 上，单干预预测误差比匹配 JEPA 基线降低 34.8%，连训练时没见过的干预组合也能外推。但在 Hopper 连续控制上它没能跑赢基线——配对 CEM 回报差为 −1.24，作者把这一点直接写进了总结，没有回避。

干预版 Pong 上的单步预测与六步自由 rollout 对比（图源：arXiv:2609.20800 论文 Figure 4）
干预版 Pong 上的单步预测与六步自由 rollout 对比（图源：arXiv:2609.20800 论文 Figure 4）
连续控制规划的配对 CEM 回报差：HalfCheetah +10.26，Hopper −1.24（图源：arXiv:2609.20800 论文 Figure 6）
连续控制规划的配对 CEM 回报差：HalfCheetah +10.26，Hopper −1.24（图源：arXiv:2609.20800 论文 Figure 6）

分子动力学考验长程稳定性。在水、石英、扑热息痛、苯四个体系上做 100 步自由 rollout，JEPA-Anything 的一步误差与 100 步 RMSD 全部最低——以苯为例，终位置 RMSD 为 0.0645 Å，从头训练基线则是 0.0958 Å。但四个体系都是小分子，离蛋白尺度的真实药物场景还有距离。

四个分子体系 100 步自由 rollout 误差对比（单位 Å，越低越好）（图源：arXiv:2609.20800 论文 Table 9）
四个分子体系 100 步自由 rollout 误差对比（单位 Å，越低越好）（图源：arXiv:2609.20800 论文 Table 9）
04

从预测世界，到干预世界

前面所有实验里，因子坐标只用来预测。真正的跨界发生在第三组实验：团队把肿瘤免疫数据喂给模型，直接对正交因子坐标做干预分析。这个组合逻辑通顺：IL-18 点燃免疫，CD73 阻断拆掉腺苷介导的免疫抑制，一个踩油门，一个松刹车。但这一次，模型预测的对象换成了"干预之后会怎样"。

因子坐标提名 IL-18 联合 NT5E/CD73 阻断作为候选方案

接下来是湿实验连环验证：Huh7 肝癌细胞与 PBMC 共培养中，组合干预增强了抗肿瘤活性。但真正的说服力来自患者来源样本——3 例肝癌类器官和 3 例肿瘤碎片中，组合的肿瘤杀伤在所有受试条件中最高，免疫细胞激活也最强，免疫健全小鼠体内同样成立。

患者来源肝癌类器官与肿瘤碎片中的湿实验结果：IL-18 联合 CD73 阻断杀瘤最强、免疫激活最高（图源：arXiv:2609.20800 论文 Figure 8）
患者来源肝癌类器官与肿瘤碎片中的湿实验结果：IL-18 联合 CD73 阻断杀瘤最强、免疫激活最高（图源：arXiv:2609.20800 论文 Figure 8）
3 + 3
患者来源类器官 + 肿瘤碎片
4 层
共培养 · 类器官 · 碎片 · 小鼠
No.1
组合杀伤在所有受试条件中最高

值得强调的是验证层级：类器官与肿瘤碎片都直接来自患者，比细胞系更接近真实肿瘤微环境。但论文正文只给了一段文字加一张图，剂量、统计检验、样本处理流程均未展开——这张方子的"说明书"还远不完整。

这是世界模型第一次从"预测世界"走到"干预世界"，并拿到了湿实验的签字
05

一道回到 17 世纪的天体力学题

因子坐标还能被外部定律检验。团队拿没有任何物理标签的模拟轨道轨迹做谱分析，把模型学到的潜空间频率与轨道半长轴配对，拟合斜率 −1.4991，R² 高达 0.9999999，几乎完美复现开普勒第三定律的 −3/2 标度。但这只是单次运行的结果，作者自己标注了"one analyzed run"。

潜空间谱模式恢复开普勒标度律：拟合斜率 −1.4991，R² = 0.9999999（图源：arXiv:2609.20800 论文 Figure 9）
潜空间谱模式恢复开普勒标度律：拟合斜率 −1.4991，R² = 0.9999999（图源：arXiv:2609.20800 论文 Figure 9）

这个彩蛋的意义不在天文。它说明正交因子坐标可以被外部科学定律独立审计——模型学到的分量里，至少有一些对应着真实世界的物理规律。但从"可审计"到"可成药"，中间隔着整条药物研发管线。

06

方子有效，药房还没开张

需要泼几盆冷水。其一，正交因子不等于因果机制，论文明确承认；其二，湿实验只有概念验证级数据，没有毒理，更没有临床；其三，OPF 的收益并不均匀，Hopper 就是反例。把一张 AI 方子推进到 IND，按行业惯例还要以年计的时间、以亿美元计的投入。但能稳定产出"值得进湿实验室"的假设，本身已是稀缺能力。

"模型提假设—湿实验验证—证据回传"的科学发现闭环示意（图源：BioTender 根据论文 Future Work 一节绘制）

但方向已经写在了论文的未来工作里：把预测模型接进 Discovery Foundation Models 与科学智能体闭环——模型提假设，实验回传证据，证据再更新模型。当这个闭环转起来，"AI 开方子"也许会从新闻变成日常流程。至于 IL-18+CD73 这张方子能走多远，答案不在论文里，在下一批湿实验数据里。