Article · IA & agents
Un même principe prédictif pour plusieurs mondes
JEPA-Anything factorise les représentations latentes pour prévoir des interventions dans des domaines très différents.
Un modèle du monde n'est pas un seul domaine
Un agent doit souvent anticiper les conséquences d'une intervention, mais les régularités changent entre une image, une trajectoire clinique, un système de contrôle ou une dynamique moléculaire. Taoyong Cui, Zhongyao Wang, Xinyue Xu et leurs coauteurs proposent JEPA-Anything pour tester un principe commun.
Factoriser les cibles latentes
Le framework repose sur l'orthogonal predictive factorization. Des facteurs complémentaires de la cible latente sont appris par des chemins dédiés puis recombinés dans une architecture prédictive partagée. La proposition cherche ainsi à séparer les composantes utiles avant de les réunir pour la prédiction.
Résultats rapportés
Les auteurs évaluent sept domaines, dix tâches de dynamique appariées, plus de 1 000 événements cliniques et des déroulements moléculaires de 100 pas. Par rapport à des baselines JEPA appariées, le résumé annonce de meilleurs scores sur les dix tâches de dynamique et une réduction de 34,8 % de l'erreur de prédiction d'intervention sur Interventional Pong. Il rapporte aussi les meilleures erreurs à un et 100 pas dans quatre systèmes moléculaires.
Interprétation éditoriale : prévoir n'est pas autoriser
Une représentation prédictive partagée peut aider un agent à simuler des conséquences avant d'agir. Elle ne doit cependant pas devenir un oracle de décision : les domaines, les observations et les coûts d'erreur restent spécifiques. Une simulation doit être comparée à un état réellement observé après l'action.
Limites et statut de la source
Les résultats sont bornés aux domaines et modèles évalués. Les résultats biologiques annoncés demandent une lecture attentive du protocole expérimental ; ils ne constituent pas une preuve générale de découverte scientifique autonome. Le document est un preprint ArXiv.
Source
Taoyong Cui, Zhongyao Wang, Xinyue Xu, Weiyang Liu, Zhaochen Yu, Yuying Zhang, Qiang Gao, Mengyue Yang, Wanli Ouyang, Pheng Ann Heng, Yingcheng Wu, Zhenfei Yin et Ling Yang, « JEPA-Anything: Learning Predictive Models across Different Worlds », ArXiv 2609.20800v1 : résumé et preprint, PDF.