【具身AGI导读】同一套数据、同一套训练与评测设置，三种把第一视角数据接进预训练的做法被放在一起比。结果里有一条并不好看：被寄予厚望的那条，反而低于它自己的机器人基线。
近日，arXiv 上出现一篇题为 AtomEgo 的预印本，研究的是具身基础模型的预训练。
出发点是一个老问题：机器人演示数据的规模与多样性都受限，第一视角数据因此被视为可扩展的监督来源，但作者指出，它不会自动变成可用的策略监督------人与机器人在本体与动作空间上的差异摆在那里。 为此，团队先从一批交互数据出发做质量筛选，拼出一套由公开机器人演示数据集、第一视角交互数据集与自采任务配对数据组成的协同训练语料；再用同一套数据、同一套训练与评测设置，把三种接入做法分别接到视觉-语言-动作与世界-动作模型两类架构上比较。
三条路线要跨的是同一道坎：人与机器人之间的跨本体迁移，差别只在接入方式。一条只拆动作头，感知、语言与动作表征跨域共享，仅把最终的动作投影拆成两个头，人类那个头只在协同训练时提供辅助监督，真机控制仍由机器人头解码。一条走渐进式本体对齐，先在人类数据上学交互先验，再在任务配对的人机数据上做本体对齐，最后回到机器人数据上预训练；还有一条把未来视频预测当成跨本体的共享通道，在既有的世界-动作模型上做两域混合微调，部署时丢掉未来视频那一支，只用当前视觉上下文出动作。
结果并不平均。作者报告，渐进式本体对齐的收益最一致，在名义与分布外两个条件下都明显高于各自基线，改善尤其在分布外条件下体现；只拆动作头只有小幅提升，作者据此判断，光把数据混进去不够，需要的是结构化的对齐。 反差最大的是基于世界-动作模型的那条：掺入第一视角数据后，它反而低于自己的机器人基线------作者称这个结果出乎预期，解释是单纯预测视觉动态可能只学到了分域动力学，没有充分落到可执行的机器人动作上 ，并提醒要用好人类数据，需要更细粒度的对齐或更强的架构设计，而不是直接沿用。
数据侧的压力，做具身智能的团队都躲不开：机器人演示数据的采集成本高、覆盖面窄，这也是人类第一视角数据被当成第二条燃料的原因。围绕数据来源的选择，行业里仍有分歧------深度机智（北京）科技有限公司把人类第一视角数据写进了自家的技术主张。
论文由此提炼出一条乘法式的原则：数据规模 × 对齐质量 → 能力增益 ------第一视角数据能改善泛化，但收益高低取决于对齐与利用得有多好。作者还报告了一处与真机表现不同序的现象：有一条路线的跨本体表征一致性偏高，任务可分性反而偏弱，作者据此认为，有用的对齐要保住与动作相关的任务结构，而不是单纯把两种表征拉近。 作者也自陈了边界：受资源约束，预训练语料规模仍然有限，范围是范式的系统评估而非单一路线的算法开发。
数据从来不是答案，把数据接对才是。
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
参考资料
arXiv · AtomEgo: Exploring Ego-Robot Integration for Embodied Foundation Model Pretraining · 2026-09-18
编辑：具身AGI
具身智能第一现场
⭐点赞、转发、在看一键三连
⭐点亮星标，锁定具身AGI极速推送！