JEPA（联合嵌入预测架构，Joint AI 词典：Embedding">Embedding Predictive Architecture）是一种"不在原始数据上重建、只在抽象表征上做预测"的自监督学习架构，由 Yann LeCun 等人提出并推动。
它预测什么
主流生成式模型——大语言模型、扩散模型——本质上都在做重建：给一段被遮住的文本，逐 token（词元）吐出原文；给一张加噪图片，逐像素还原。连本就无法预测的细节也要算清楚，比如树叶被风吹动的具体形状。
JEPA 换了目标。它有两个编码器（encoder）：一个看上下文（视频的前几帧、图片可见的部分），另一个看目标（被遮住的内容）。第一个编码器把上下文压成一组向量，也就是表征（representation）；预测器（predictor）结合这组向量和位置信息，去猜第二个编码器会为缺失内容生成什么样的表征。损失只在表征空间计算——比的是两串向量像不像，而不是像素像不像。
打个比方：玩"你画我猜"，规则不是让朋友一像素一像素复刻你的画，而是让他在脑子里形成"一只睡着的橘猫"的印象，再说出这个词。JEPA 要的就是印象层面的对齐。树叶怎么飘、雨滴落在哪，这些随机细节在表征里本就模糊，不必预测。
为什么难做
如果两个编码器完全一样、又只要求预测得准，模型会偷懒：把所有输入都编码成同一个常数向量，误差为零，却什么也没学到。这叫表征塌缩（representation collapse）。所以 JEPA 类方法采用非对称设计——目标编码器用滑动平均更新，或对目标侧做梯度截断，让两边不能同时朝偷懒方向跑。
与相邻概念的区别
对比学习也在表征空间工作，但靠"拉近正样本、推远负样本"，需要精心构造负样本；JEPA 直接预测目标的表征，不依赖负样本，更适合视频这类时序任务。
对你意味着什么
对从业者，JEPA 是"预测下一个 token"之外的另一条路线：先学世界的抽象结构，再谈生成。它在视频理解、机器人规划等"预测接下来会发生什么"的场景里有天然优势，因为世界模型要抓的是不变的东西，而不是画出每个像素。
对普通人，短期内不必期待一个 JEPA 聊天助手取代现有产品。它目前主要在视觉与表征学习研究中推进，通用语言能力不是它的主场。它更像一种思路上的提醒：理解世界未必需要复刻世界，抓住要点就够了。具体进展请以官方论文与项目页面为准。