JEPA-Anything: één wereldmodel van natuurkunde tot biologie

Een onderzoeksteam heeft de JEPA-architectuur, oorspronkelijk voorgesteld door Yann LeCun, omgebouwd tot een wereldmodel dat in zeven heel verschillende vakgebieden werkt. Onderweg wees het model een kandidaat-behandeling voor leverkanker aan, en die kandidaat heeft het team in het lab getest.

Het project wordt geleid door PhAI Labs, met partners van Stanford, Oxford en Princeton. Het model heet JEPA-Anything.

Eén principe in plaats van veel modellen

Wereldmodellen proberen te voorspellen hoe een systeem in de loop van de tijd verandert. Dat systeem kan een robot zijn, een molecuul of de gezondheid van een patiënt. Tot nu toe was er voor elk domein meestal een eigen, speciaal gebouwd model nodig. Het team van PhAI Labs wil laten zien dat één gedeeld principe ze allemaal kan afdekken.

JEPA staat voor Joint-Embedding Predictive Architecture. Deze modellen bouwen ruwe data zoals pixels niet opnieuw op. Ze voorspellen een abstracte samenvatting van een ontbrekende of toekomstige toestand en negeren details die er niet toe doen. Volgens de auteurs heeft de standaardversie een zwakke plek: ze propt alles in één voorspelling, waardoor eenvoudige patronen moeilijkere kunnen overstemmen.

De voorspelling opsplitsen

JEPA-Anything deelt de voorspelde toestand op in meerdere delen. Elk deel krijgt een eigen voorspellingsmodule. Een extra voorwaarde dwingt die modules om verschillende aspecten van de data te leren, in plaats van allemaal hetzelfde. Daarna voegt het model hun deelvoorspellingen samen tot één volledig beeld.

De onderzoekers vertellen het model niet wat elk deel moet betekenen. Die rollen ontstaan tijdens de training. Het enige wat ze per vakgebied aanpassen, is hoe de data wordt voorbereid.

Waar het hielp, en waar niet

Het team vergeleek JEPA-Anything met een standaard-JEPA met dezelfde architectuur, dezelfde data en identieke trainingsomstandigheden.

• Dynamische systemen: In een vereenvoudigde Pong-omgeving met gerichte ingrepen daalde de voorspellingsfout met 35 procent. Bij combinaties van ingrepen die tijdens de training nooit voorkwamen, daalde die met 13 procent.
• Natuurkunde en weer: Volgens de auteurs versloeg het model de referentie op tien testtaken op het gebied van natuurkunde, robotica en weersvoorspelling. Op de Burgers-vergelijking, een veelgebruikte benchmark in de stromingsleer, halveerde de fout bijna in een aparte test. Over 50 voorspellingsstappen bleef de voorsprong staan, maar slonk die tot zo'n drie procent.
• Moleculaire simulatie: Het scoorde het best op water, kwarts, paracetamol en benzeen, zelfs na 100 stappen.
• Biologie en geneeskunde: Het wees celtypen in single-celldata betrouwbaarder toe en voorspelde ruim 1.000 mogelijke ziektegebeurtenissen in klinische data iets beter.
• Beelden en robots: Bij beeldtaken was het verschil klein. Bij het plannen van voortbeweging voor gesimuleerde lopende robots won het in twee van de drie omgevingen en verloor het in de derde.

Van deelvoorspellingen naar een labtest

Het meest ambitieuze resultaat komt uit het leverkankeronderzoek. Het team bekeek de deelvoorspellingen die een model had geleerd uit genactiviteit, eiwitniveaus en CRISPR-screens. De beste kandidaat combineerde IL-18, een signaalmolecuul dat afweercellen activeert, met het blokkeren van CD73, een enzym dat tumoren gebruiken om afweerreacties in hun omgeving te onderdrukken.

Ze testten de combinatie op leverkankercellen die samen met afweercellen werden gekweekt, op organoïden en tumorweefsel van telkens drie patiënten, en in muizen. In organoïden en weefselmonsters doodde de combinatie meer tumorcellen dan elk van de twee onderdelen afzonderlijk, en T-cellen en natural killer-cellen werden sterker geactiveerd. Of dit een echte therapie kan worden, laat de studie niet zien.

In een tweede geval trainde het model op gesimuleerde banen, zonder enige natuurkundige grootheden. De patronen die het leerde, kwamen nauw overeen met de derde wet van Kepler: de wet legt de exponent op min 1,5, het model kwam uit op min 1,4991. Het team evalueerde maar één trainingsrun, en koos daarvoor de run met de kleinste fout.

De auteurs plaatsen een kanttekening. Een nette scheiding tussen geleerde delen bewijst niet dat die echte oorzaak en gevolg vastleggen. Code en modellen zijn openbaar beschikbaar.

Onze kijk

Deze paper verschijnt op een druk moment voor wereldmodellen. Meta bracht in juni 2025 het videomodel V-JEPA 2 uit, LeCun en Randall Balestriero publiceerden LeJEPA in november 2025, en LeCuns startup AMI Labs haalde in maart 2026 meer dan een miljard dollar op. Ook investeerders zetten zwaar in, van de financieringsronde van General Intuition voor wereldmodellen tot de overname van World Labs door AMD.

Wat hier opvalt, is de breedte, niet één grote score. De meeste winst is bescheiden, soms nipt, en de robotica-resultaten zijn wisselend. Dat wijst erop dat het opsplitsen een nuttige algemene aanpassing is, eerder dan een doorbraak in één specifiek domein.

Het kankerresultaat verdient voorzichtige aandacht. Google Deepminds C2S-Scale 27B zag in oktober 2025 al een kankerhypothese in het lab bevestigd, en het Co-Scientist-systeem van Deepmind plant inmiddels experimenten en bedient laboratoriumapparatuur. Het team achter JEPA-Anything wil agents die experimenten voorstellen en rangschikken en de resultaten weer terugvoeren, vergelijkbaar met pogingen om taalmodellen om te bouwen tot labgereedschap. Het is de moeite waard om te volgen of onafhankelijke groepen deze resultaten met de vrijgegeven code kunnen reproduceren, en of de Kepler-bevinding standhoudt buiten één met de hand gekozen run.