在人们的印象中，让机器人完成后空翻、跑酷甚至跳舞，似乎已经代表了机器人技术的巅峰。然而在机器人研发领域，工程师们却常常感叹：让机器人学会拧开一瓶可乐，可能比学会后空翻还要难上十倍。原因很简单。后空翻虽然动作复杂，但本质上属于预设轨迹下的全身运动控制。机器人只需要按照计算好的力学模型执行动作即可。而拧开可乐瓶盖看似简单，却涉及手指感知、抓握力度控制、旋转协调以及实时反馈调整等一系列极其复杂的灵巧操作

2026年6月1日—— NVIDIA 首席执行官黄仁勋在COMPUTEX 2026大会上，揭示了下一波 AI 发展的核心方向——“代理型 AI 时代”（Agentic Age）。黄仁勋表示，AI 已不再只是内容生成工具，而是能够自主理解、推理并执行任务的智能“代理人”，将全面改变软件开发模式、人机交互方式以及计算架构。演讲中，黄仁勋重点介绍了 NVIDIA 最新计算平台 Vera Rubin。这是

为人工智能获取人类专业知识训练机器人执行灵巧的现实任务仍然依赖于一个难以规模化的东西:高质量的人类操纵数据。RLWRLD是一家韩国物理人工智能初创公司正在围绕这一限制建立数据集。该公司不再依赖互联网规模的文本或视频，而是直接面向技术工人。在首尔乐天酒店，一名工作人员戴着随身相机控制机械手折叠宴会餐巾。同样的方法现在正在物流仓库和Lawson便利店中运行。RLWRLD的目标是建立人工智能系统，并将人

尤其是在灵巧操作（Dexterous Manipulation）领域，机器人不仅要“看见”世界，更要像人一样完成抓取、捏合、插拔、堆叠等高自由度动作。而这些能力的训练，离不开海量、高精度的人类演示数据。

在仿真环境中获取高质量灵巧操作数据的关键，在于输入设备能否精准捕捉人手运动的完整动态。NVIDIA Isaac实验室2.3版本原生集成的MANUS手套，正是为解决这一核心需求而生。在演示场景中，操作员通过佩戴MANUS手套远程操控Sharpa Wave——这款NVIDIA Isaac Lab内搭载的22自由度灵巧机械手，实现了自然手部运动向毫米级保真度实时机器人关节控制的直接转换。

训练灵巧的操作策略需要大量的人类演示数据，这些数据精确地代表了手的全部运动范围。手在高度自遮挡的配置中操作，与操作最相关的任务恰恰是基于视觉的跟踪容易失败的任务。对于构建一般化操作模型的团队来说，质量约束始于捕获层。不一致或不完整的手姿态数据限制了下游架构可以学习的内容。基于MANUS的捕捉，无需依赖摄像机Mimic Robotics将MANUS数据手套作为人手演示的主要可穿戴输入集成到其训练方案