JEPA-Anything : un modèle du monde, de la physique au vivant

Une équipe de chercheurs a repris l'architecture JEPA, proposée à l'origine par Yann LeCun, pour en faire un modèle du monde capable de fonctionner dans sept domaines très différents. Au passage, le modèle a désigné une piste de traitement contre le cancer du foie, que l'équipe a ensuite testée en laboratoire.

Le projet est piloté par PhAI Labs, avec des collaborateurs de Stanford, d'Oxford et de Princeton. Le modèle s'appelle JEPA-Anything.

Un seul principe plutôt qu'une multitude de modèles

Les modèles du monde cherchent à prédire comment un système va évoluer dans le temps. Ce système peut être un robot, une molécule ou l'état de santé d'un patient. Jusqu'ici, chaque domaine exigeait le plus souvent son propre modèle, conçu sur mesure. L'équipe de PhAI Labs veut montrer qu'un même principe peut les couvrir tous.

JEPA signifie Joint-Embedding Predictive Architecture. Ces modèles ne reconstruisent pas les données brutes, comme les pixels. Ils prédisent un résumé abstrait d'un état manquant ou futur et laissent de côté les détails sans importance. Selon les auteurs, la version classique a un défaut : elle concentre tout dans une seule prédiction, si bien que les motifs simples peuvent étouffer les plus complexes.

Découper la prédiction

JEPA-Anything divise l'état prédit en plusieurs parties. Chacune dispose de son propre module de prédiction. Une contrainte supplémentaire oblige ces modules à apprendre des aspects différents des données, au lieu d'apprendre tous la même chose. Le modèle combine ensuite leurs prédictions partielles pour obtenir une vue d'ensemble.

Les chercheurs n'indiquent pas au modèle ce que chaque partie doit représenter. Ces rôles apparaissent pendant l'entraînement. La seule chose qu'ils ajustent d'un domaine à l'autre, c'est la préparation des données.

Là où ça a marché, et là où ça n'a pas marché

L'équipe a comparé JEPA-Anything à un JEPA classique doté de la même architecture, des mêmes données et de conditions d'entraînement identiques.

Systèmes dynamiques : dans un environnement Pong simplifié avec des interventions ciblées, l'erreur de prédiction a baissé de 35 %. Pour des combinaisons d'interventions jamais vues à l'entraînement, elle a reculé de 13 %.
Physique et météo : d'après les auteurs, le modèle a battu la référence sur dix tâches de test couvrant la physique, la robotique et la prévision météorologique. Sur l'équation de Burgers, un banc d'essai courant en dynamique des fluides, l'erreur a été réduite de près de moitié lors d'un test distinct. Sur 50 pas de prédiction, l'avance s'est maintenue, mais elle est tombée à environ trois pour cent.
Simulation moléculaire : il a obtenu les meilleurs résultats sur l'eau, le quartz, le paracétamol et le benzène, même après 100 pas.
Biologie et médecine : il a attribué les types cellulaires de manière plus fiable dans des données de cellules uniques et a prédit un peu mieux plus de 1 000 événements pathologiques possibles dans des données cliniques.
Images et robots : l'écart sur les tâches d'image était faible. Pour la planification de la locomotion de robots marcheurs simulés, il l'a emporté dans deux environnements sur trois et a perdu dans le troisième.

Des prédictions partielles au test en laboratoire

Le résultat le plus ambitieux vient de la recherche sur le cancer du foie. L'équipe a examiné les prédictions partielles qu'un modèle avait apprises à partir de l'activité des gènes, des niveaux de protéines et de cribles CRISPR. Le meilleur candidat associait IL-18, une molécule de signalisation qui active les cellules immunitaires, au blocage de CD73, une enzyme que les tumeurs utilisent pour freiner les réponses immunitaires à proximité.

Les chercheurs ont testé cette association sur des cellules de cancer du foie cultivées avec des cellules immunitaires, sur des organoïdes et des tissus tumoraux issus de trois patients chacun, ainsi que chez la souris. Dans les organoïdes et les échantillons de tissu, la combinaison a tué davantage de cellules tumorales que chacun de ses composants seul, et les lymphocytes T comme les cellules NK ont montré une activation plus forte. L'étude ne dit pas si cela pourrait déboucher sur une véritable thérapie.

Dans un second cas, le modèle a été entraîné sur des orbites simulées, sans aucune grandeur physique. Les motifs qu'il a appris correspondaient de près à la troisième loi de Kepler : la loi fixe l'exposant à moins 1,5, et le modèle est arrivé à moins 1,4991. L'équipe n'a évalué qu'un seul entraînement, celui qui présentait l'erreur la plus faible.

Les auteurs apportent une nuance. Une séparation nette entre les parties apprises ne prouve pas qu'elles saisissent de véritables relations de cause à effet. Le code et les modèles sont accessibles au public.

Notre analyse

Cette publication arrive à un moment où les modèles du monde se bousculent. Meta a sorti le modèle vidéo V-JEPA 2 en juin 2025, LeCun et Randall Balestriero ont publié LeJEPA en novembre 2025, et la start-up de LeCun, AMI Labs, a levé plus d'un milliard de dollars en mars 2026. Les investisseurs misent gros eux aussi, de la levée de fonds de General Intuition pour les modèles du monde au rachat de World Labs par AMD.

Ce qui frappe ici, c'est l'étendue, pas un score spectaculaire. La plupart des gains sont modérés, certains sont minces, et les résultats en robotique sont mitigés. Cela laisse penser que l'idée de décomposition est une amélioration générale utile plutôt qu'une percée dans un domaine précis.

Le résultat sur le cancer mérite une attention prudente. C2S-Scale 27B de Google Deepmind a déjà vu une hypothèse sur le cancer confirmée en laboratoire en octobre 2025, et son système Co-Scientist planifie désormais des expériences et pilote du matériel de laboratoire. L'équipe de JEPA-Anything veut des agents qui proposent et classent des expériences, puis réinjectent les résultats, un peu comme les initiatives qui visent à transformer les modèles de langage en outils de laboratoire. Il faudra voir si des équipes indépendantes reproduisent ces résultats avec le code publié, et si la découverte liée à Kepler tient au-delà d'un seul entraînement triés sur le volet.