AI đã tiến gần đến khả năng 'thấu hiểu vạn vật' chưa? Hãy thử nghiệm với tế bào ung thư và quỹ đạo hành tinh

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

19-09-2026 14:39:32 Nguồn: QbitAI

Cùng một lõi dự đoán, xác thực trên bảy loại hệ thống

Hengyu đưa tin từ Aofeisi, QbitAI | Kênh chính thức QbitAI

Thật hiếm thấy khi một báo cáo kỹ thuật lại xuất hiện hai đối tượng nghiên cứu tưởng chừng chẳng liên quan gì đến nhau, theo chân AI quả là mở mang tầm mắt.

Một bên là cơ quan nội tạng (organoid) có nguồn gốc từ bệnh nhân, bên kia lại vươn xa tới vũ trụ bao la...

Hãy nói về đối tượng đầu tiên. Các nhà nghiên cứu đã tận dụng các yếu tố nội tại mà mô hình học được để đề xuất phương án can thiệp bằng cách kết hợp kháng thể chặn cytokine, đồng thời xác thực qua nhiều tầng từ dòng tế bào, cơ quan nội tạng cho đến thí nghiệm trên chuột.

Còn về đối tượng thứ hai, các nhà nghiên cứu đã nạp vị trí và quỹ đạo vận tốc của các hành tinh mô phỏng vào mô hình mà không hề cho nó biết về định luật Kepler.

Sau khi mô hình học xong và phân tích các mô hình dự đoán nội tại, độ dốc khớp của mối quan hệ "tần số quỹ đạo - bán trục lớn" được trích xuất đạt -1,4991 (giá trị lý thuyết của định luật Kepler thứ ba là -1,5), với R²=0,99999999.

Nghiên cứu khối u và tính toán quỹ đạo hành tinh, hai lĩnh vực chẳng liên quan gì đến nhau, vậy mà lại có thể được giải quyết bằng cùng một phương pháp học dự đoán.

Thế giới rộng lớn muôn hình vạn trạng, thời tiết, phân tử, tế bào, bệnh nhân, robot hay thậm chí là các hành tinh, mỗi thứ đều tuân theo những quy luật hoàn toàn khác biệt.

Nhưng liệu khi AI tìm hiểu xem chúng "thay đổi như thế nào", có khả năng nào để chia sẻ một phương pháp nền tảng hơn không?

Gần đây, JEPA-Anything do PhAI Labs phối hợp cùng các đội ngũ từ Oxford, Stanford, Princeton, Đại học Trung văn Hồng Kông (CUHK) và các trường đại học khác công bố, đang cố gắng trả lời câu hỏi này.

Bài báo cho thấy, JEPA-Anything là một khung làm việc liên lĩnh vực hướng tới việc học các mô hình dự đoán cho những "thế giới" khác nhau.

Mỗi lĩnh vực giữ lại hình thức quan sát, cấu trúc context-target và bộ mã hóa (encoder) riêng, nhưng chia sẻ lõi dự đoán phía sau cùng một giao diện latent world-state thống nhất.

Trong đó bao gồm một cơ chế then chốt gọi là OPF (Orthogonal Predictive Factorization - Phân tách dự đoán trực giao).

Có thể hiểu đơn giản trước như sau:

Đừng dồn tất cả các loại thay đổi trên thế giới vào một chỗ để học và mô hình hóa.

Để mô hình hóa thế giới, một đường dẫn dự đoán có lẽ là chưa đủ.

Trước tiên, hãy làm rõ một khái niệm: trong nghiên cứu JEPA-Anything này, "mô hình thế giới" (world model) thực sự có nghĩa là gì?

Định nghĩa mà bài báo JEPA-Anything đưa ra vừa có tính bao quát vừa có tính thực thi.

Bài báo viết rằng, chỉ cần mô hình có thể thiết lập trạng thái nội tại dựa trên thông tin hiện có (Context) và từ đó dự đoán một trạng thái khác trong cùng hệ thống, thì đều có thể được xếp vào phạm trù mô hình thế giới không gian ẩn (Latent World Model).

"Trạng thái khác" ở đây có thể là tương lai về mặt thời gian, cũng có thể là vùng ẩn trong không gian, các góc nhìn khác nhau, thậm chí là kết quả sau khi áp dụng một sự can thiệp nào đó.

Theo hướng tư duy này, ngành công nghiệp đã phát triển các lộ trình kỹ thuật ngày càng hoàn thiện trong vài năm qua.

Ví dụ, DreamerV3 nhấn mạnh việc xây dựng mô hình môi trường trước, sau đó mới "hình dung" hậu quả của hành động bên trong mô hình; V-JEPA 2 kết hợp học biểu diễn video với điều khiển robot, cho phép cánh tay robot dự đoán phản hồi vật lý từ các hành vi khác nhau trước khi lập kế hoạch hành động.

Và JEPA — Joint-Embedding Predictive Architecture (Kiến trúc dự đoán nhúng chung) — là một lộ trình mang tính đại diện trong số đó.

So với việc tái tạo trạng thái mục tiêu trực tiếp trong không gian gốc, JEPA chọn dự đoán trong không gian biểu diễn, không cần phải khôi phục từng pixel hay chi tiết nhỏ.

Nó sẽ mã hóa thông tin quan sát thành biểu diễn nội tại trong không gian ẩn trước, sau đó mới hoàn tất dự đoán trong không gian biểu diễn đó.

Thiết kế này giúp mô hình dành nhiều năng lực biểu diễn hơn cho các cấu trúc có giá trị dự đoán, giảm thiểu sự can thiệp của các chi tiết trong không gian gốc như kết cấu hay nhiễu.

Tuy nhiên, JEPA tiêu chuẩn thường để tất cả thông tin đổ dồn vào cùng một target embedding và đi theo cùng một đường dẫn dự đoán.

Nhưng những thay đổi trong thế giới thực thường không phải là đơn luồng.

Ví dụ, sự tịnh tiến tổng thể của phân tử thường đi kèm với sự rung động vi mô của các nguyên tử bên trong; trong sự tiến hóa chậm chạp của hệ thống khí tượng vĩ mô lại xen lẫn những nhiễu loạn cục bộ dữ dội; hệ thống sinh học còn phức tạp hơn, với những thay đổi đa quy mô, đa đường dẫn xảy ra đồng thời mọi lúc.

Khi các tín hiệu có quy mô khác nhau, thực thể khác nhau và độ khó khác nhau bị ép buộc chen chúc cùng nhau, những tín hiệu dễ dự đoán hơn và có thay đổi rõ rệt hơn có thể ưu tiên chiếm dụng nhiều dung lượng dự đoán hơn.

Ngược lại, những thông tin tương đối yếu nhưng cũng quan trọng không kém sẽ bị triệt tiêu trong xung đột gradient hoặc bị che lấp hoàn toàn bởi các tín hiệu mạnh.

Các nhà nghiên cứu quy vấn đề này thành bài toán "phân bổ dung lượng dự đoán như thế nào", đồng thời đưa ra hướng giải quyết mới.

Vì sự chen chúc dẫn đến chèn ép, vậy thì hãy thực hiện tách rời không gian (spatial decoupling).

Và thế là JEPA-Anything ra đời.

Cơ chế cốt lõi của nó là OPF (Phân tách dự đoán trực giao) giúp cắt trạng thái mục tiêu vốn hoàn chỉnh thành nhiều không gian con bổ sung cho nhau, giao cho các nhánh dự đoán khác nhau xử lý độc lập, cuối cùng ghép lại thành trạng thái thế giới hoàn chỉnh.