我们提出 AtomEgo，对自我（ego）与机器人协同预训练进行系统研究。核心是一个约 2,659 小时的精选数据集以及可扩展的数据处理流水线。针对视觉‑语言‑动作（vision‑language‑action）和世界‑动作（world‑action）模型结构，实验了三种典型范式：
- 使用领域特定动作头的联合共训练；
- 通过具身对齐实现的渐进式 ego‑to‑robot 转移；
- 联合视频‑动作建模。
在真实机器人多任务实验和语言条件跨具身表征分析中评估这些范式。结果揭示了一个简明原则： $$Data\ Scale \times Alignment\ Quality \rightarrow Capability\ Gain$$ 即自我数据能够提升模型的泛化能力，但其价值取决于对齐质量和利用方式。该原则为大规模 ego‑robot 预训练提供了实用指导。
点评