随着具身智能和人形机器人产业快速发展，机器人正从执行固定程序的自动化设备，逐步演变为能够学习、适应并完成复杂任务的智能体。然而，要让机器人真正掌握人类级别的操作能力，最大的挑战并不在于硬件本身，而在于如何获取高质量的人类动作数据，并将这些技能高效迁移给机器人。作为领先的数据手套，MANUS正通过高精度动作捕捉技术，为机器人训练提供可靠的数据支持，加速人形机器人从“模仿”到“掌握”真实世界技能的进程

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。