Un equipo encabezado por PhAI Labs, con colaboradores de Stanford, Oxford y Princeton, amplió la arquitectura JEPA que propuso Yann LeCun para que trabaje en siete campos muy distintos. De ese mismo trabajo salió un candidato a tratamiento contra el cáncer de hígado, que el grupo probó en laboratorio.
Los modelos del mundo predicen cómo va a evolucionar un sistema, sea un robot, una molécula o la salud de un paciente. Hasta ahora cada dominio necesitaba su propio modelo. El equipo quiere demostrar que basta con un principio compartido.
El paper presenta JEPA-Anything, construido sobre las Joint-Embedding Predictive Architectures (JEPA). Estos modelos no reconstruyen los datos crudos, como los píxeles. Predicen un resumen abstracto de un estado faltante o futuro y descartan los detalles que no importan. Los autores le ven una debilidad al enfoque estándar. Todo se canaliza hacia una sola predicción, y los patrones fáciles terminan tapando a los difíciles.
Varias predicciones especializadas en vez de una
JEPA-Anything divide el estado predicho en varias partes, y cada una queda a cargo de su propio módulo de predicción. Una restricción adicional empuja a los módulos a capturar aspectos distintos en lugar de aprender lo mismo. Después el modelo vuelve a juntar esas predicciones parciales en un cuadro completo.
A diferencia de la JEPA estándar, la nueva versión separa el estado en cuatro factores ortogonales, cada uno con su predictor, y luego los reensambla en un estado del mundo completo.
Los investigadores no le asignan un significado a cada parte. Esos roles aparecen durante el entrenamiento. Lo único que cambia de un campo a otro es cómo se preparan los datos.
¿Dónde gana y dónde no?
El equipo comparó JEPA-Anything con una JEPA estándar de la misma arquitectura, entrenada con los mismos datos y en condiciones idénticas. La mejora más clara apareció en los sistemas dinámicos. En un entorno simplificado de Pong con intervenciones dirigidas, el error de predicción bajó 35%. Con combinaciones de intervenciones que el modelo nunca vio en el entrenamiento, bajó 13%.
Según los autores, JEPA-Anything superó a la referencia en las diez tareas de prueba, que abarcan física, robótica y pronóstico del tiempo. En la ecuación de Burgers, un benchmark habitual de dinámica de fluidos, el error cayó casi a la mitad en una evaluación aparte. A lo largo de 50 pasos de predicción la ventaja se mantuvo, pero se redujo a cerca de 3%. El método también obtuvo el mejor resultado en simulaciones de agua, cuarzo, paracetamol y benceno, incluso después de 100 pasos.
Las mayores ganancias están en las ecuaciones de flujo físico. En la dinámica de píxeles, la ventaja sobre la JEPA estándar apenas se puede medir.
Con datos de células individuales, el modelo asignó los tipos celulares con más fiabilidad. Con datos clínicos predijo algo mejor más de 1.000 posibles eventos de enfermedad. En tareas de imagen la diferencia fue pequeña. En la planificación de locomoción de robots caminantes simulados, JEPA-Anything ganó en dos de tres entornos y el modelo estándar se impuso en el tercero.
¿Qué propuso el modelo contra el cáncer de hígado?
La afirmación más audaz del equipo viene de la investigación en cáncer de hígado. Los investigadores analizaron las predicciones parciales que un modelo aprendió de datos biológicos, entre ellos actividad génica, niveles de proteínas y cribados con CRISPR. El mejor candidato combinaba IL-18, una molécula de señalización que activa células inmunes, con el bloqueo de la enzima CD73, que los tumores usan para frenar la respuesta inmune a su alrededor.
El equipo probó la combinación en células de cáncer de hígado cultivadas junto a células inmunes, en organoides y tejido tumoral de tres pacientes cada uno, y en ratones. En los organoides y en las muestras de tejido, la combinación mató más células tumorales que IL-18 o el bloqueo de CD73 por separado, y los linfocitos T y las células asesinas naturales mostraron una activación más fuerte. El estudio no establece si esto podría llegar a ser una terapia real.
La tercera ley de Kepler, sin magnitudes físicas
En un segundo caso, los investigadores entrenaron el modelo con órbitas simuladas sin entregarle ninguna magnitud física. Los patrones aprendidos coincidieron casi exactamente con la tercera ley de Kepler, según la cual los cuerpos en órbitas más grandes se mueven mucho más lento. La ley fija la frecuencia orbital en el tamaño de la órbita elevado a menos 1,5. El modelo llegó a menos 1,4991. El equipo evaluó una sola corrida de entrenamiento y eligió la de menor error.
Los autores advierten que una separación limpia de las partes aprendidas no significa que capturen relaciones reales de causa y efecto. Tampoco está resuelto cuándo un modelo así será lo bastante fiable para orientar el diseño de experimentos. Esa es la meta de largo plazo del equipo, con agentes de IA que usen JEPA-Anything para proponer y priorizar experimentos y luego devuelvan los resultados al modelo.
El código y los modelos están disponibles de forma pública.
De V-JEPA 2 a AMI Labs
LeCun propuso JEPA en 2022 como alternativa a los modelos generativos. En junio de 2025, Meta lanzó V-JEPA 2, un modelo de video JEPA de 1.200 millones de parámetros que controló brazos robóticos en entornos desconocidos sin entrenamiento adicional. En noviembre de 2025, LeCun y Randall Balestriero publicaron LeJEPA, una base teórica pensada para mantener estable el entrenamiento sin los parches habituales. Hoy LeCun sigue el enfoque desde su startup AMI Labs, que levantó más de 1.000 millones de dólares en marzo de 2026 para construir modelos del mundo.
Google DeepMind ya había probado en laboratorio una hipótesis sobre cáncer generada por IA en octubre de 2025. Su modelo C2S-Scale 27B, basado en Gemma, propuso el fármaco silmitasertib para que las células tumorales fueran más visibles al sistema inmune, y los experimentos con modelos celulares humanos confirmaron la predicción. Co-Scientist, el sistema multiagente de Google DeepMind, ya planifica experimentos y opera equipos de laboratorio, o sea cubre parte del ciclo que el equipo de JEPA-Anything quiere construir. Cargar las muestras en las máquinas todavía requiere personas.
