JEPA-Anything étend JEPA de LeCun, de la physique au foie

PhAI Labs et des chercheurs de Stanford, Oxford et Princeton présentent JEPA-Anything, une variante modulaire de JEPA testée sur sept domaines. Le modèle signe des gains en dynamique physique, suggère une combinaison thérapeutique contre le cancer du foie et s’accompagne d’un code public, tout en posant des réserves sur la causalité et la fiabilité pour guider des expériences.

Fiabilité encore ouverte, code public et cap sur des agents expérimentateurs

Il reste à déterminer à partir de quand ce type de modèle devient suffisamment fiable pour orienter la conception d'expériences. Ils précisent aussi qu'une séparation nette des composantes apprises ne garantit pas qu'elles reflètent de véritables relations causales. Leur objectif à long terme est de permettre à des agents d'IA de proposer et classer des expériences avec JEPA-Anything, puis d'intégrer les résultats pour améliorer le modèle. Le code et les modèles sont accessibles publiquement. Parallèlement, Google DeepMind dispose déjà de Co-Scientist, un système multi-agents qui planifie des expériences et pilote des équipements de laboratoire, bien que le chargement des échantillons reste manuel. En octobre 2025, Google DeepMind a également testé une hypothèse de cancer générée par IA avec son modèle C2S-Scale 27B basé sur Gemma : la proposition autour du silmitasertib a été confirmée sur des modèles cellulaires humains.

Biologie : une combinaison IL-18 et blocage de CD73 testée jusqu’à la souris

Dans le secteur biomédical, les scientifiques se sont appuyés sur des prédictions partielles dérivées de sources telles que l’expression génique, les quantités de protéines et les résultats d’écrans CRISPR. Le candidat le plus prometteur associait IL-18, une molécule qui stimule l’activité des cellules immunitaires, à une inhibition de l’enzyme CD73, dont les tumeurs se servent pour bloquer les réponses immunitaires à proximité. Cette association a été évaluée sur des cellules de cancer du foie cultivées avec des cellules immunitaires, sur des organoïdes ainsi que sur des tissus tumoraux provenant de trois patients, et également chez la souris. Dans les organoïdes et les tissus, ce duo a détruit davantage de cellules tumorales que chacun des deux éléments pris isolément, tout en augmentant l’activation des cellules T et des cellules tueuses naturelles. Les auteurs précisent que l'étude ne permet pas de conclure à une application thérapeutique.

Dynamique physique : des gains mesurés de Pong à l’équation de Burgers

JEPA-Anything a été mis en parallèle avec une version JEPA standard dotée de la même architecture, formée sur un jeu de données identique et dans des conditions équivalentes. Dans une version simplifiée du jeu Pong incluant des interventions ciblées, la diminution de l’erreur de prédiction a atteint 35 %, et 13 % pour des combinaisons d’interventions qui n’avaient pas été vues lors de l’entraînement. Le modèle a surpassé la référence dans dix tâches couvrant la physique, la robotique et la prévision météorologique. Sur l'équation de Burgers, une évaluation séparée a montré une erreur réduite de près de moitié. Ce bénéfice subsiste sur 50 étapes de prédiction, mais tombe à environ 3 %. La méthode affiche également les meilleures performances dans des simulations portant sur l’eau, le quartz, l’acétaminophène et le benzène, y compris après 100 étapes. Les progrès les plus marqués concernent les équations décrivant des flux physiques, alors que la différence avec le JEPA standard reste minime pour la dynamique des pixels.

Principe : prédire par morceaux, puis recomposer un état global

La méthode JEPA ne cherche pas à reproduire fidèlement les données originales, mais à anticiper une représentation synthétique d’un état absent ou à venir, en écartant les éléments considérés comme accessoires. L’utilisation d’un unique canal de prédiction favorise la détection de schémas simples au détriment de structures plus élaborées. JEPA-Anything répond à cette limite en factorisant la prédiction : l'état à venir est découpé en parties traitées par des prédicteurs distincts, chacun étant encouragé à capturer un aspect différent, avant une recomposition en un état global. Dans cette variante, l'état est explicitement divisé en quatre facteurs orthogonaux. Cette factorisation vise à faire émerger des régularités que les approches standards peuvent manquer.

Ambition multi-domaines : sept espaces cibles et un principe commun

L'équipe a étendu l'architecture JEPA pour la faire fonctionner dans sept domaines très différents, en cherchant à démontrer qu'un principe unique peut s'appliquer de la physique à la médecine et à la robotique. Les modèles universels visent à prédire l'évolution de systèmes variés, alors que les pratiques courantes reposent encore sur des modèles spécialisés par discipline. Le projet, mené par PhAI Labs avec Stanford, Oxford et Princeton, s'appuie sur les Joint-Embedding Predictive Architectures. Dans un exercice séparé, le modèle, entraîné sur des orbites simulées sans fournir de grandeurs physiques, a appris un motif correspondant presque exactement à la troisième loi de Kepler : une relation de puissance proche de -1,5, estimée ici à -1,4991. Les chercheurs précisent n'avoir évalué qu'un seul entraînement et avoir retenu celui présentant l'erreur la plus faible.

Filiation JEPA : de 2022 à V-JEPA 2, LeJEPA et AMI Labs

Lancée en 2022 par Yann LeCun comme alternative aux modèles génératifs, la lignée JEPA a connu plusieurs développements importants. En juin 2025, Meta a dévoilé V-JEPA 2, un modèle vidéo doté de 1,2 milliard de paramètres, capable de piloter des bras robotiques dans des environnements inédits sans apprentissage supplémentaire. En novembre 2025, Yann LeCun et Randall Balestriero ont introduit LeJEPA, une base théorique conçue pour préserver la stabilité de l’apprentissage sans recourir aux méthodes classiques. Yann LeCun poursuit cette approche avec AMI Labs, qui a levé plus d'un milliard de dollars en mars 2026 pour développer des modèles mondiaux.