ER 2 解析指令中包含的条件分支（“如果…就不用”），自主规划路径：先吸尘、再擦茶几、最后检查花盆土壤湿度再决定是否浇水。
执行过程中检测到茶几上有易碎物品，自动减速并调整擦拭力度，完成后向用户发送摘要报告。
能力运用：自然语言理解 → 条件分支解析 → 物理世界感知 → 自适应执行 → 进度汇报。
🔬 科研辅助：数据采集与实时分析工具调用 · 搜索集成
研究人员要求：“在实验台 A 区采集温湿度数据，与历史同期数据对比，如果偏差超过 5% 则触发重新校准。”
ER 2 调用传感器 API 采集实时数据，同时通过 Google Search 检索历史记录，发现偏差达 7.3%，自动触发校准程序。
校准完成后，机器人进一步调用科研数据库，将本次数据与前三次实验做对比分析，生成结构化报告。
能力运用：多工具联动 → 搜索集成 → 条件触发 → 数据分析 → 报告生成。
以上场景基于 Gemini Robotics ER 2 官方披露的能力构建，用于展示模型在工业、家庭、科研等领域的应用潜力，并非实际测试结果。
04为什么这次不一样？
具身推理并非新概念。过去几年，多个研究团队都曾展示过机器人自主规划的能力。但 Gemini Robotics ER 2 的不同之处在于三个关键维度已经同时达到工程可用水平：
① 进度感知能力
ER 2 能够通过视觉输入持续追踪自身执行进度，而不是“做完一步再等下一步指令”。这意味着机器人具备了自我监控闭环——这是自主执行的前提条件。
② 工具调用的原生集成
原生支持 Google Search 和自定义函数，意味着机器人可以直接接入外部知识库和业务系统，不需要中间件或额外适配层。这大幅降低了工程化门槛。
③ 从研究到产品的速度
ER 2 即日通过 Gemini API 和 Google AI Studio 公开提供，同时在企业智能体平台开启私密预览。从一个研究发布到开发者可用的时间差，几乎为零。
一个诚实的注脚：
目前 ER 2 的能力边界仍需在实际部署中验证。具身推理从“实验室演示”到“工厂 7×24 稳定运行”之间，还有可靠性与安全性的长路要走。但方向已经清晰——机器人的智能瓶颈正在从“感知”转向“认知”，而具身推理是打通这一环的关键技术栈。
编辑核心判断
具身推理正在重新定义机器人的能力边界——当机器人能够“看见自己的进度并自主调整”，传统编程范式下的“固定任务执行”将让位于“目标驱动型自主作业”。Gemini Robotics ER 2 的价值不在于单项指标的提升，而在于它让机器人离“自我监控闭环”更近了一步。下一阶段的竞争，将从“谁的模型参数更大”转向“谁的工程闭环更完整”。
▶现在就能用
Gemini Robotics ER 2 已通过 Gemini API 和 Google AI Studio 面向开发者公开提供，同时在 Gemini Enterprise Agent Platform 开启私密预览。开发者可立即接入，体验具身推理能力。