"하나의 원리로 7개 세계를 예측한다"… 범용 월드모델 'JEPA-Anything' 공개
영상부터 임상 데이터, 분자 운동, 기상까지 성격이 전혀 다른 7개 영역을 하나의 학습 원리로 예측하는 범용 월드모델이 공개됐다. 논문 사전공개 사이트 arXiv에 올라온 저자 공개 초록에 따르면, 추이 타오융(Taoyong Cui) 등 연구진 13명은 「JEPA-Anything: Learning Predictive Models across Different Worlds」(arXiv:2609.20800)에서 도메인에 구애받지 않는(domain-agnostic) 예측 학습 프레임워크를 제안했다. 이 논문은 연구자 커뮤니티 플랫폼 허깅페이스의 일일 논문 목록에서 추천 56회를 받았다.
초록에 담긴 핵심 개념은 '직교 예측 인수분해(OPF·orthogonal predictive factorization)'다. 얀 르쿤이 제시해 널리 쓰이는 결합 임베딩 예측 구조(JEPA)를 확장한 방식으로, 예측해야 할 잠재 목표값을 서로 보완적인 여러 요인으로 쪼갠 뒤 각각 전용 경로에서 학습시키고, 이를 공유된 예측 설계 안에서 다시 합친다. 세계를 통째로 하나의 표현에 밀어 넣는 대신 구성 요소별로 나눠 배우게 한다는 발상이다.
이런 시도가 나온 배경에는 '월드모델'의 고질적 한계가 있다. 월드모델은 인공지능이 행동의 결과를 미리 내다보고 개입을 설계하며 상호작용에서 배우도록 하는 기술이지만, 지금까지 나온 예측 모델은 대체로 특정 영역에 특화돼 있었다. 영상용 모델은 영상만, 분자 시뮬레이션용 모델은 분자만 다루는 식이다. 연구진이 던진 물음은 "근본적으로 다른 시스템들에 걸쳐 월드모델링을 지탱할 공통 학습 원리가 존재하는가"였다.
검증은 비전, 생물학, 임상 경로, 제어, 분자동역학, 물리장, 기상 등 7개 영역에서 이뤄졌다. 실험 범위는 표현 학습, 개입 결과 예측, 분포 밖 일반화, 장기 시계열 동역학을 아우르며 조건을 맞춘 동역학 과제 10종, 1,000건이 넘는 임상 이벤트 예측, 4개 시스템에 대한 100단계 분자 롤아웃이 포함됐다. 초록에 따르면 동일 조건의 JEPA 기준모델과 비교해 동역학 과제 10종 전부에서 지표가 개선됐고, 개입형 퐁(Interventional Pong) 과제의 단일 개입 예측 오차는 34.8% 줄었다. 분자 영역에서는 4개 시스템 모두에서 1단계·100단계 오차가 비교 대상 기법 중 가장 낮았다.
연구진이 특히 앞세운 대목은 예측을 넘어선 부분이다. 모델이 요인 분석을 통해 지목한 생물학적 개입 후보가 세포 공배양, 환자 유래 오가노이드, 종양 조직 절편, 마우스 실험에서 실험적 뒷받침을 얻었다는 것이다. 또 학습된 잠재 궤도 모드에서 케플러 법칙의 스케일링 지수가 기울기 -1.4991로 복원됐다고 밝혔다. 이론값 -1.5에 근접한 수치로, 물리 법칙을 따로 주입하지 않고도 데이터에서 규칙성이 드러났다는 취지다.
연구진은 이 결과들이 이질적인 세계들을 관통하는 공통의 인수분해 예측 원리를 뒷받침하며, 월드모델링을 개입 설계 및 실험 기반 과학 발견과 잇는다고 주장했다. 코드는 깃허브(github.com/Gen-Verse/JEPA-Anything)에 공개됐고, 원문은 arxiv.org/abs/2609.20800에서 볼 수 있다. 다만 이 논문은 동료평가를 거치지 않은 사전공개 논문이며, 위 내용은 저자가 공개한 초록을 정리한 것이다. 각 영역의 세부 실험 조건과 재현 결과는 현 단계에서 별도로 확인되지 않았다.