AI 全景情报 0630：劳动力地图、脑机解码和评测生意同时升温

过去 24 小时的 AI 新闻有一个共同点：模型公司没有只比参数和 benchmark，战场正在往更靠近部署的地方挪。OpenAI 把 AI 对劳动力的冲击拆成可治理的职业地图，Meta 把非侵入式脑机解码推到接近可用研究的区间，Google Cloud 把生成式汇总塞进数据仓库和安全研发流程，Arena 与 Omen AI 则分别把「模型评测」和「液冷运维」做成新生意。

OpenAI 这份报告不是又一次泛泛讨论「AI 会不会替代人」。它把欧盟职业按 ESCO taxonomy 和 Eurostat 就业数据映射到四类：可能因 AI 增长、较高近期自动化潜力、可能重组、近期变化较小。OpenAI 给出的比例是 12%、14%、27% 和 47%，并强调这些分类不是就业预测，而是给政策制定者、雇主和教育机构使用的准备地图。1

对 AI 从业者，这件事的行业含义比「又一份政策报告」更硬。欧洲客户接下来采购 AI 时，很可能要求供应商回答岗位影响、技能迁移和审计口径。只会展示自动化 demo 的产品团队会吃亏，能把 AI 功能映射到具体岗位、流程、培训计划和合规指标的团队，反而更容易进入大企业和公共部门预算。

Meta 发布 Brain2Qwerty v2，主张它是一个可从非侵入式脑记录中实时解码句子的端到端管线。Meta 称，研究团队让 9 名志愿者佩戴 MEG 设备主动打字，每人记录 10 小时，总数据约 2.2 万句；系统不再依赖手工神经事件检测，而是直接从原始脑信号中解码。2

关键数字是准确率。Meta 称 Brain2Qwerty v2 的词准确率达到 61%，最佳参与者达到 78%，且一半以上句子只有一个词错误或更少。它还把 v1 和 v2 训练代码开源，并与 BCBL 释放 v1 数据集。2

这还不是临床产品。MEG 设备昂贵、场景受限，Meta 的数字也来自公司研究口径。但它说明一个方向：大模型和 Agent 优化流程正在进入生物信号、医疗辅助沟通这类高噪声领域。过去做 AI 医疗，很多团队盯着影像和病历；下一波值得观察的是神经、语音、可穿戴传感数据如何被统一到可训练、可评测、可合规的数据管线里。

Google Cloud 的两条更新放在一起看，比单独看更有意思。

第一条是 BigQuery AI.AGG()。Google Cloud 称这个预览功能允许用户在一行 SQL 里用自然语言指令，对日志、文档、产品描述和图片等非结构化或多模态数据做汇总。文章示例包括从大量 Spark 日志中找异常、从商品文本和图片中归纳类别，再与 AI.CLASSIFY() 组合成自动标签流程。3

第二条是安全研发。Google Cloud CISO 文章披露，内部已经把多 Agent 放进 SDLC 安全流程：设计评审阶段用 Agent 对照 200 多项安全要求，Mantis 框架负责上下文感知的代码扫描，自修复 fuzz testing 负责生成和维护 harness，补丁管线则复现崩溃、定位路径、生成修复并跑回归验证。4

这对企业 AI 团队的提示很直接：最有价值的 Agent 不一定长得像聊天窗口。它可能是数据库函数、代码扫描器、fuzz harness 维护者、补丁验证员。产品经理需要重新定义「AI 功能」的入口，工程团队则要把权限、日志、沙箱、失败处理和人工复核做成默认设计，而不是上线后补救。

TechCrunch 报道称，Arena 的 AI Evaluations 商业服务上线 8 个月后达到 1 亿美元年化运行收入。Arena 的公开排行榜基于超过 1000 万次用户评测，商业服务则向模型实验室和企业出售更细的性能分析。报道还写明，Arena CEO Anastasios Angelopoulos 澄清其收入按 consumption 收费，并非传统意义上的 recurring revenue。5

这条新闻的重点不是「排行榜也能赚钱」这么简单。后训练已经变成模型竞争的一部分，数据质量、任务覆盖、长流程评测和真实用户偏好会影响模型能不能被企业采用。Arena 的变现路径说明，围绕模型的第三方评测和性能诊断，正在从研究社区资产变成商业基础设施。

同一天，TechCrunch 还报道 Omen AI 完成 3100 万美元 A 轮。它用小型光谱仪实时监测液冷系统中的流体健康，目标是提前发现细菌增长等问题，避免数据中心停机冲洗冷却回路。报道提到，Omen 正与十几家数据中心客户合作，其中包括建设 AMD 芯片 AI compute cloud 的 TensorWave。6

Arena 和 Omen 放在一起，能看出 AI 产业链利润正在外溢。一个吃模型评测和后训练预算，一个吃数据中心可靠性预算。对创业者和投资人，今天的可投方向不只在模型层；只要能直接减少模型迭代不确定性、降低算力停机风险，都会有独立公司空间。

企业 AI 的采购表会变厚。 OpenAI 的劳动力地图和 Google Cloud 的安全 Agent 管线都指向同一件事：大企业不会只问模型效果，还会问岗位影响、权限边界、审计日志、修复责任和安全回归。卖给企业的 AI 产品要准备更完整的部署材料。

评测和数据管线会继续涨价。 Arena 的收入速度显示，模型公司和企业愿意为更贴近真实任务的评测付费。BigQuery AI.AGG() 也说明，非结构化数据分析会被越来越多地封装进现有数据平台。做 eval、数据质量、任务回放、合成数据和偏好数据的团队，还会获得预算。

物理世界会吞掉更多 AI 基建预算。 Brain2Qwerty 把模型能力推进脑信号，Omen 把 AI 数据中心推到液冷健康监测。AI 的下一段成本曲线不只由 GPU 单价决定，也由传感器、冷却、能源、安全认证和跨学科数据采集决定。工程团队如果还只盯模型 API 价格，会低估真实部署成本。

今天的主线可以压成一句话：AI 正从「模型能力发布」进入「组织、数据、安全和物理基础设施重写」。模型仍然重要，但更难的生意开始出现在模型周围。