手爪级vla和灵巧任务语义之间的差距机器人学习受到数据稀缺的制约。没有互联网规模的语料库可供操纵，收集机器人演示需要物理世界中大量的硬件操作。以自我为中心的人类数据是显而易见的可扩展替代方案，但大多数先前的人&机器人合作训练使用的方案都过于狭隘，以提高分布性能或在执行相同任务时推广到新场景。更难的问题是，一个人形机器人是否可以继承看起来只有非人类数据的高级任务语义:排序的概念，将现有技能组

MANUS手套现已被正式整合到英伟达的Isaac Lab2.3作为一种原生的远程操作设备，研究人员和机器人团队现在能够使用MANUS手套在Isaac Lab环境中远程操作模拟机器人，为大规模的机器人策略培训捕捉高保真演示数据。‍机器人学习中的数据质量问题机器人策略培训的sim-first方法简化了开发，降低了成本，并实现了更安全、更可扩展的部署。但是方法的好坏取决于它背后的数据。随着Isaac L

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