让JEPA真正理解世界背后的生成机制，DSReg让世界模型的每一维都有了真实含义

JEPA 能不能真正理解观测背后的生成机制？

传统的 JEPA 只能保证学到的隐表征不坍缩，但却完全没有办法对应到真实生成观测数据的那些隐变量。

来自 UIUC、冷泉港实验室、布朗大学、马普所的研究者给出了肯定的回答。他们提出的 DSReg（Dependency-Sparsity Regularization）可以直接加在已经训练好的 JEPA 上，让学到的每一维都对应一个真实的世界变量，比如场景里的太阳、月亮、温度和风。整个过程不需要重建观测，不需要解码器，也不需要任何标签。

研究团队同时为 DSReg 建立了完整的理论框架，由此得到首个完全可识别的 JEPA。DSReg 可以应用在预训练表征上，直接复用现有的 LeJEPA checkpoint，达到和联合训练相似的效果。

• 论文标题：DSReg: Provably Recovering Individual World Latents without Reconstruction
• 论文链接：https://arxiv.org/abs/2610.09457
• 项目主页：https://dsreg.github.io/
• 代码：https://github.com/kunwuz/dsreg

预测得准，不等于理解得对

JEPA 不去重建像素，而是在表征空间里预测未来。它因此省掉了昂贵的解码器，也成了构建世界模型的热门路线。但少了重建，也就少了一个把表征和真实世界对齐的 “锚”。

在一定假设下，LeJEPA 学到的表征和真实世界状态之间只差一个未知的线性变换。这个变换让模型完全无法理解真实的生成机制，因为表征的每一维往往是好几个未知物理因素的混合。

这些未知的混合有时候对预测并没有影响，但却完全阻碍了模型对环境的理解。比如机器人要把杯子往左推，同时让旁边的刀保持不动。如果某个学到的变量同时混着杯子和刀的位置，调这个变量就不再只是移动杯子，而是也可能把刀一起带动，给用户带来危险。很多时候我们不仅需要让机器看上去做得对，同时也要保证它们的认知没有偏差，不然永远会有隐藏的风险。

DSReg：给预训练表征加一个旋转

DSReg 的思路很直接。LeJEPA 学到的表征经过白化后，和真实变量之间只差一个旋转，而旋转不改变 JEPA 的训练损失。所以只要找到正确的那个旋转，就能把变量拆开，同时不损失任何预测能力。

但是如何找到正确的旋转？DSReg 将目标放在隐变量和观测变量之间的结构上。每个真实变量只影响一部分观测，混合变量则会影响它所有成分涉及的观测。因此，让观测依赖的变量最少的那个旋转，就是把变量拆开的旋转。具体分三步：

1. 估计结构：在数据中取一些锚点，用近邻上的岭回归估计观测对表征的局部 Jacobian。
2. 寻找旋转：在正交矩阵上最小化这些 Jacobian 的稀疏度。
3. 输出变量：旋转后的每一维，就是一个世界变量。

整个过程不训练解码器，也不优化重建误差，可以直接用在任意 LeJEPA checkpoint 上。局部 Jacobian 也不需要显式存下来，整个框架在一张 48GB 显卡上就可以做到 8192 维。

没有两片雪花是一样的

当然，不做任何假设，是不可能从观测里还原隐藏世界的。DSReg 需要生成过程满足 Structural Diversity：任意两个变量影响的观测集合不能完全相同，就像没有两片雪花是一样的。

这个条件很宽松。不同隐变量影响的观测变量可以重叠，甚至可以一个完全包含另一个，可以说是所有的结构化假设里面最弱的一个。

理论证明，在 Structural Diversity 下，DSReg 能把所有隐变量都恢复出来，表征里的每一维都和一个真实隐变量一一对应，最多只差顺序和正负号。文章同时还证明了可辨识性对于观测误差的鲁棒性，并且用 Lean 对理论结果做了形式化验证。

让世界模型理解真实世界

在合成数据上，LeJEPA 的表征始终是混合的，加上 DSReg 后，恢复效果在各个维度上都接近上限。

在从像素训练的编码器上，DSReg 达到了使用标签拟合的监督上界，而 PCA、Varimax、FastICA 等旋转方法几乎没有效果。在外部渲染的 3DShapes 上，DSReg 同样从混合提升到接近上限；在更难的 dSprites 上，也超过了 β-VAE 和 β-TCVAE。

DSReg 让表征对应真实的隐变量，从而对各个下游任务也都有显著的提升。在视觉编辑、稀疏控制、rollout 预测和意外检测共六个下游任务上，DSReg 都优于 LeJEPA，并且原有的预测性能保持不变。

DSReg 也具有非常高的可扩展性，只需要单卡就可以处理 8192 个隐变量，并且表现并不会随着维度升高而降低

让机器 “知行合一”

JEPA 学到了不坍缩的隐表征，DSReg 则让这个表征里的每一维都对应一个具体的世界隐变量。建在这样的世界模型上，机器人就可以精确理解观测场景背后的每一个变量。

因此，DSReg 让机器在和环境交互时，能够真正做到 "知行合一"。这对机器人尤其重要：LLM 如果没有真正理解环境，可能只是说错一句话；机器人如果没有真正理解，就可能带来无法预料的灾难性后果。

下一代智能体要想在各种新环境里都可靠地工作，不能只靠把在训练环境里学到的知识迁移过去。它们必须理解观测背后的生成机制，才能做到真正意义上的泛化。DSReg 让 JEPA 有了这种能力，这或许正是走向这个目标的一个起点。

作者介绍

郑雨嘉，伊利诺伊大学厄巴纳 - 香槟分校（UIUC）助理教授。博士毕业于卡内基梅隆大学。研究方向为因果 AI，包括因果表征学习、可信机器学习、世界模型等，主要围绕构建能理解因果关系的下一代智能体。个人主页：yjzheng.com