AI se učí předvídat biologii i fyziku z jednoho společného modelu

JEPA má předvídat vývoj systémů

Zkratka JEPA označuje architekturu, která se nesnaží rekonstruovat každý detail vstupních dat. Místo toho se učí předpovídat abstraktní reprezentaci budoucího nebo chybějícího stavu. U obrazu tedy nemusí dopočítat každý pixel. Stačí jí odhadnout vlastnosti, které jsou důležité pro další vývoj scény.

Je to podobné jako při sledování míče na hřišti. Pro odhad jeho další polohy nepotřebujete znát přesný odstín každého pixelu kolem něj. Potřebujete zachytit pohyb, rychlost, směr a vliv prostředí. JEPA se snaží pracovat právě s takovým zjednodušeným popisem světa.

Myšlenku JEPA navrhl Yann LeCun jako alternativu ke generativním modelům. Ty se často učí vytvářet podrobná data, například obraz nebo text. JEPA se soustředí na predikci vztahů mezi stavy. U vědeckých úloh je to zajímavé proto, že rozhodující nemusí být vzhled dat, ale jejich dynamika.

Studie JEPA-Anything: Learning Predictive Models across Different Worlds byla na arXiv zveřejněna 17. září 2026. Jde o preprint, nikoli o práci, která by už prošla standardním recenzním řízením časopisu.

Jedna predikce se rozpadá na několik částí

Autoři upravili původní princip pomocí metody nazvané orthogonal predictive factorization. Český překlad zní méně elegantně, než by si zasloužil, ale princip je praktický. Model nerozděluje budoucí stav do jediné velké predikce. Rozloží ho na několik doplňujících se částí a každou z nich zpracovává samostatná predikční větev.

V jejich experimentu vznikají čtyři takzvané ortogonální faktory. Model přitom předem nedostane informaci, že jedna část má znamenat například pohyb, jiná teplotu a další biologickou aktivitu. Význam jednotlivých faktorů se má objevit během trénování a následného vyhodnocení.

To je důležitý rozdíl oproti ručně navrženému rozdělení. Výzkumníci modelu nepředepisují, které proměnné má hledat. Nastavují hlavně způsob, jakým se připraví data z konkrétní oblasti. Společný zůstává princip predikce a práce s latentním stavem.

Veřejný repozitář na GitHubu obsahuje opakovaně použitelnou část projektu, nástroje pro návrh úloh a strukturální příklad. Autoři zároveň upozorňují, že repozitář neobsahuje všechny doménové datové sady ani trénované váhy použité ve studii. Spuštění ukázky proto samo o sobě nezopakuje publikované výsledky.

Výsledky v sedmi vědeckých oblastech

JEPA-Anything vědci vyhodnotili v sedmi doménách. Patří mezi ně obrazové vnímání, biologie, klinické trajektorie, řízení, molekulární dynamika, fyzikální pole a předpověď počasí.

V deseti srovnávaných úlohách dynamiky model podle autorů zlepšil měřené výsledky oproti standardnímu JEPA se stejnou architekturou a stejnými daty. V prostředí Interventional Pong, kde model předpovídá dopad zásahu do systému, klesla chyba u jedné intervence o 34,8 procenta.

Výzkumníci testovali také kombinace zásahů, které model během tréninku neviděl. U nich se chyba snížila o 13 procent. Výsledek naznačuje, že rozdělení predikce může pomoci při odhadu nových kombinací změn. Neznamená to však, že model automaticky chápe příčiny. Samotné oddělení faktorů ještě nepotvrzuje skutečný vztah mezi příčinou a následkem.

U molekulární dynamiky dosáhl model podle abstraktu nejnižší chyby při predikci jednoho kroku i při stostupňových simulacích ve všech čtyřech srovnávaných systémech. The Decoder uvádí testy s vodou, křemenem, acetaminofenem a benzenem. U fyzikálních rovnic byly rozdíly nejvýraznější. U obrazových úloh byly menší.

Výsledky nebyly stejné ve všech typech úloh. Při plánování pohybu simulovaných chodicích robotů model vyhrál ve dvou ze tří prostředí, v jednom si vedl lépe standardní JEPA. U klinických dat předpovídal více než 1 000 možných událostí s mírným zlepšením. Takové rozložení výsledků je přesvědčivější než tvrzení, že jeden model vyřešil všechny problémy stejným způsobem.

Predikce navrhla kombinaci pro léčbu nádoru

Nejzajímavější část studie se týká biologie. Model pracoval s daty o aktivitě genů, hladinách proteinů a výsledcích CRISPR zásahů. Z naučených faktorů vzešel návrh kombinovat molekulu IL-18 s blokádou enzymu CD73.

IL-18 aktivuje imunitní buňky. CD73 naopak pomáhá nádorům tlumit imunitní reakci v jejich okolí. Výzkumníci proto ověřili, zda kombinace obou zásahů dokáže zvýšit ničení nádorových buněk.

Testy proběhly na jaterních nádorových buňkách společně s imunitními buňkami, na organoidech, na nádorové tkáni od tří pacientů a na myších. Kombinace podle autorů zabila více nádorových buněk než každá ze dvou složek podaná samostatně. Současně vykazovaly T-lymfocyty a přirozené zabíječské buňky vyšší aktivaci.

Tady je potřeba brzdit. Výsledek neznamená, že vznikla nová léčba dostupná pacientům. Studie ukázala laboratorní a předklinický účinek. Neprokazuje bezpečnost ani účinnost u lidí a už vůbec neříká, že léčivo projde klinickými zkouškami.

Model z orbit odvodil známý fyzikální vztah

Autoři vyzkoušeli také simulaci oběžných drah. Model nedostal fyzikální veličiny ani předem napsaný vzorec. Z naučených vzorců vypočítal exponent -1,4991, který se blíží hodnotě -1,5 známé z třetího Keplerova zákona.

Výsledek je zajímavý jako ukázka toho, že latentní faktory mohou zachytit vztah skrytý v datech. Současně má jasné omezení. Výzkumníci vyhodnotili pouze jeden tréninkový běh a vybrali ten s nejnižší chybou. Z jednoho takového výsledku proto nejde vyvozovat obecnou schopnost modelu samostatně objevovat fyzikální zákony.

Výzkum není služba pro české uživatele

JEPA-Anything není chatbot ani komerční nástroj s rozhraním v češtině. Pro český trh zatím není oznámena spotřebitelská dostupnost, předplatné ani česká lokalizace. Projekt je určen hlavně výzkumníkům, kteří si připraví vlastní data a výpočetní prostředí.

Veřejný kód může být zajímavý pro univerzity, vývojáře a týmy zabývající se AI pro vědu. Licence Apache-2.0 dovoluje další práci s kódem, ale vlastní reprodukce výsledků vyžaduje odpovídající data, hardware a znalost konkrétní domény. Ani dostupnost modelových souborů na Hugging Face z něj nedělá hotovou aplikaci pro běžného uživatele.

Výzkum zapadá do širšího posunu od modelů, které pouze generují obsah, k systémům předpovídajícím vývoj prostředí a důsledky zásahů. V tomto případě je důležité hlavně propojení predikce s laboratorním ověřením. Vědci ale sami upozorňují, že zatím není jasné, kdy bude podobný model spolehlivý natolik, aby mohl samostatně řídit návrh experimentů.