En enda AI-modell klarar sju vetenskapsområden – och levererade ett laboratoriebekräftat cancerförslag

Problemet med att bygga en modell i taget

De flesta AI-system inom forskning är skräddarsydda. Vill du förutsäga hur ett protein viker sig tar du en modell. Vill du modellera vätskemekanik tar du en annan. Vill du analysera patientdata tar du en tredje. Det är ett pragmatiskt upplägg — men det skapar ett ekosystem av stuprör där varje framsteg stannar kvar i sitt eget hörn.

Forskarlaget bakom JEPA-Anything, lett av PhAI Labs med medverkan från Stanford, Oxford och Princeton, har tagit ett steg tillbaka och frågat om det verkligen behöver vara så. Resultatet, som rapporteras av både The Decoder och MarkTechPost, är en enda modell som fungerar inom sju olika vetenskapliga områden — från väderprognoser och vätskemekanik till biologisk cellanalys och kliniska patientförlopp.

Arkitekturen bakom: JEPA och ortogonal faktorisering

Modellen bygger vidare på Gemensam-Inbäddnings-Prediktiv Arkitektur (JEPA), ett ramverk som AI-pionjären Yann LeCun förespråkat som ett alternativ till de stora språkmodellerna. Den grundläggande idén är elegant: i stället för att återskapa rådata — som enskilda bildpunkter eller tecken — förutsäger modellen en abstrakt sammanfattning av ett framtida tillstånd. Det är mer likt hur vi människor resonerar om världen: vi behöver inte rita upp hela bilden för att förstå vart bollen är på väg.

Den centrala nyheten i JEPA-Anything är metoden forskarna kallar Ortogonal Prediktiv Faktorisering (OPF). Tekniken delar upp modellens interna målrepresentation i flera oberoende delfaktorer, var och en hanterad av en dedikerad förutsägelsemodul. Varför oberoende, eller ortogonala, faktorer? Därför att traditionella modeller har en tendens att låta de starkaste mönstren ta över — vilket gör att svagare men viktiga signaler trängs undan. OPF tvingar systemet att fånga olika aspekter av verkligheten parallellt, snarare än att upprepa det som är enklast att se.

Resultaten: bredd och precision i kombination

Det som gör studien svår att avfärda är att förbättringarna dyker upp konsekvent. Enligt MarkTechPost presterade JEPA-Anything bättre än jämförbara standardmodeller i tio av tio dynamikrelaterade testuppgifter. I ett förenklat spelmiljötest minskade förutsägelsefelen med nästan 35 procent. På Burgers ekvation — ett klassiskt riktmärke inom vätskemekanik — halverades felen nästan. The Decoder rapporterar att modellen även slog konkurrenterna i simuleringar av vatten och kvarts på molekylär nivå.

Men det mest slående fyndet är kanske det som kom som en sidoeffekt. I arbetet med biologiska tillämpningar identifierade modellen ett behandlingsupplägg mot levercancer som sedan bekräftades i laboratoriemiljö. Det är en påminnelse om att universella system ibland hittar mönster som domänspecifika verktyg — just för att de är optimerade för den egna domänen — missar.

Vad det egentligen betyder att vara universell

Det är lätt att vara skeptisk när ord som "universell" dyker upp i AI-sammanhang. Alltför ofta handlar det om marknadsföring snarare än substans. Men det intressanta här är att universaliteten inte uppnås genom att träna en enorm modell på allt möjligt data — utan genom att hitta en arkitekturell princip som håller oavsett domän. Det är en skillnad som faktiskt spelar roll.

En modell som kan appliceras med samma recept på vätskemekanik som på kliniska patientförlopp sänker tröskeln för tvärvetenskapliga samarbeten. En fysiker och en cancerforskare kan i princip använda samma verktyg och kommunicera med samma begreppsapparat. Det är inte en liten sak.

Studien är ännu i tidigt skede och oberoende replikering återstår — men riktningen är tydlig. Fältet rör sig mot färre, mer generella verktyg. JEPA-Anything är ett övertygande steg i den riktningen.