從神經元到焦耳：智能計算的能量、熱力學與物理下界

From Neurons to Joules: Energy, Thermodynamics, and Physical Lower Bounds of Intelligent Computation

系列：《智能的物理計量：從最小語意執行到成果品質與計算時空》
英文系列： Physical Metrology of Intelligence: From Minimal Semantic Execution to Quality and Computational Spacetime
系列編號： EML-IPM
篇次： Paper 04 / 10
文件編號： EML-IPM-04
作者： Neo.K with Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-02
文件性質： 公開純理論論文／跨學科方法論
工程狀態： 無 MVP；本文建立智能計算由生物電事件向能源、熱與熱力學下界對映的理論骨架

摘要

IPM Paper 02 提出了最小智能語意執行單位：

\boxed{ \mu_I: z_t\rightarrow z_{t+1} }

Paper 03 則指出，認知科學與神經科學並沒有一個：

1\ \text{thought} = N\ \text{spikes}

的普適換算，而是透過多層 proxy、latent model、population code 與 causal perturbation 建立跨層證據。

本篇繼續向下追問：

\boxed{ \textbf{ 當一個神經事件真正發生時， 它如何一路變成 ATP、Joule、heat 與 entropy production？ } }

神經能量學提供了一個非常重要的方法論範例。研究者不是把「一個 spike」直接指定成某個固定能量，而是從底層物理過程逐步建立能量帳本：

\boxed{ \text{Membrane Dynamics} \rightarrow \text{Ion Flux} \rightarrow \text{Pump Work} \rightarrow \text{ATP} \rightarrow \text{Energy Dissipation}. }

對 action potential 而言，若鈉離子流入總電荷為：

Q_{Na} = \int I_{Na}(t)\,dt,

則流入的鈉離子數可近似寫成：

\boxed{ N_{Na} = \frac{Q_{Na}}{e} }

其中 $e$ 是基本電荷。

由於 Na $^+$ /K $^+$ ATPase 每消耗一個 ATP 可移出 3 個 Na $^+$ ，最低恢復成本可粗略表示為：

\boxed{ N_{ATP}^{Na} \approx \frac{N_{Na}}{3}. }

再由 ATP 水解自由能 $\Delta G_{ATP}$ 得：

\boxed{ E_{AP} \approx N_{ATP}^{Na}\Delta G_{ATP} + E_{\text{other}}. }

其中 $E_{\text{other}}$ 包含鈣離子處理、突觸、傳遞物回收、維持靜息電位等其他代謝成本。

這個 bottom-up accounting 的核心教訓是：

\boxed{ \text{observable event type} \neq \text{fixed physical cost}. }

不同 neuron 的 action potential 即使外部形狀相似，其 Na $^+$ 與 K $^+$ currents overlap、channel kinetics 與膜性質仍可能讓能量成本相差超過一個數量級。因此：

\boxed{ 1\ \text{spike} \neq 1\ \text{fixed Joule}. }

這對 AI 具有直接類比：

\boxed{ 1\ \text{token} \neq 1\ \text{fixed Joule}, }

\boxed{ 1\ \mu_I \neq 1\ \text{fixed Joule}. }

本文進一步借鑑 cerebral energy budget。更新後的 cortical budget 顯示，大腦 signaling energy 並非主要只花在 action potential；在一個 cerebral cortex 模型中，大約 50% signaling energy 用於 postsynaptic glutamate receptors、21% 用於 action potentials、20% 用於 resting potentials，其餘用於 presynaptic transmitter release 與 transmitter recycling。

這意味：

\boxed{ \text{communication} + \text{state maintenance} + \text{synaptic integration} }

往往和「顯眼的神經脈衝」一樣甚至更加昂貴。

對 AI 同樣不能只數 tensor arithmetic。真正的能源帳本還必須包含：

memory movement；
state residency；
interconnect；
synchronization；
storage；
cooling / infrastructure share。

本文因此區分四種能源量：

\boxed{ \mathcal E= ( E_{\mathrm{gross}}, E_{\mathrm{base}}, E_{\mathrm{marg}}, E_{\mathrm{attrib}} ). }

其中：

$E_{\mathrm{gross}}$ ：任務期間整個被觀察系統的總能源；
$E_{\mathrm{base}}$ ：即使不執行該任務仍需支付的基線能源；
$E_{\mathrm{marg}}$ ：因該任務額外產生的邊際能源；
$E_{\mathrm{attrib}}$ ：依既定分攤規則歸因給該任務的總成本。

形式上：

\boxed{ E_{\mathrm{gross}} = \int_{t_0}^{t_f} P_{\mathrm{system}}(t)\,dt }

\boxed{ E_{\mathrm{base}} = \int_{t_0}^{t_f} P_{\mathrm{baseline}}(t)\,dt }

\boxed{ E_{\mathrm{marg}} = \int_{t_0}^{t_f} \left[ P_{\mathrm{system}}(t) - P_{\mathrm{baseline}}(t) \right]dt. }

因此：

\boxed{ E_{\mathrm{gross}} \neq E_{\mathrm{marg}}. }

這對人腦尤其重要：成人腦整體代謝大約為 20 W 等級，而 goal-directed cognition 相對 ongoing resting neural activity / homeostasis 的增量可能只占少量比例。這說明：

\boxed{ \text{Brain Is Expensive} \neq \text{Every Thought Is Equally Expensive}. }

同樣地，資料中心或 GPU 本來就存在：

idle power；
memory refresh；
model residency；
networking；
cooling。

因此不能把任務期間所有電錶讀數直接視為該答案的純增量成本。

本文再區分 實際成本 與 熱力學下界。

Landauer principle 在特定條件下指出，對一個 logical irreversible bit erasure：

\boxed{ E_{\mathrm{erase,min}} = k_B T\ln2. }

但這不是：

\boxed{ 1\ \text{bit of reasoning} = k_B T\ln2. }

也不是：

\boxed{ 1\ \mu_I = k_B T\ln2. }

Landauer bound 描述的是特定資訊抹除過程的物理最低耗散條件，不是完整神經計算、AI inference 或語意推理的實際能耗。

因此本文建立：

\boxed{ E_{\mathrm{actual}} \gg E_{\mathrm{thermo,min}} }

作為通常情況下的實務認知，而不是把理論下界當成 benchmark 實測值。

Laughlin 等人的經典 neural information measurements 甚至顯示，在其特定 blowfly sensory system 中，chemical synapse 傳一 bit 的成本約為 $10^4$ ATP，而某些 graded 或 spike signaling 的估計可達 $10^6$ – $10^7$ ATP/bit，遠高於純熱力學極限。

因此：

\boxed{ \text{Information Efficiency} = \frac{\text{task-relevant information}}{E} }

可以是一個有用量，

但：

\boxed{ \text{Information per Joule} \neq \text{Intelligence per Joule}. }

因為資訊傳輸不必然等同語意求解。

本文最後提出 IPM 的 語意—物理—熱力學三重分離：

\boxed{ W_{\mu}^{semantic} \neq W^{computational} \neq E^{thermodynamic}. }

並建立向下映射：

\boxed{ \mu_I \rightarrow \rho_C(\mu_I) \rightarrow \rho_P(\mu_I) \rightarrow \rho_T(\mu_I). }

真正的 IPM 問題因此不是：

一個 token 要多少焦耳？

而是：

\boxed{ \textbf{ 為了實現某個已確認的有效語意轉換， 實際硬體必須造成多少物理狀態變化、 搬移多少資訊、持續多久，最後耗散多少能量？ } }

1. 從 spike 往下走，而不是把 spike 當終點

Paper 03 已指出：

\boxed{ Spike \neq CognitiveUnit. }

但 spike 仍是一個相對容易觀察的物理事件。

所以它可以作為：

\boxed{ \text{intermediate physical proxy}. }

2. Action potential 的能量來源

Action potential 涉及膜上的：

Na $^+$ influx；
K $^+$ efflux；
voltage-gated channels；
membrane capacitance。

事件結束後，離子濃度梯度必須恢復。

3. Na/K pump 是主要恢復機制之一

Na $^+$ /K $^+$ ATPase 利用 ATP：

\boxed{ 3Na^+_{\mathrm{out}} + 2K^+_{\mathrm{in}} \quad \text{per ATP}. }

因此 ionic movement 可以往 ATP accounting 映射。

4. 從電流到離子數

若鈉離子電流為：

I_{Na}(t),

則總電荷：

\boxed{ Q_{Na} = \int I_{Na}(t)\,dt. }

5. 再到離子個數

\boxed{ N_{Na} = \frac{Q_{Na}}{e}. }

這使 electrophysiological measurement 可以往 molecular energetic accounting 下沉。

6. 再從離子個數到 ATP

若主要恢復由 Na/K pump 完成：

\boxed{ N_{ATP} \approx \frac{N_{Na}}{3}. }

這只是主要成分估計，而不是完整 neuron energy。

7. 從 ATP 到 Joule

令每個 ATP 水解在實際細胞條件下可用自由能為：

\Delta G_{ATP}.

則：

\boxed{ E = N_{ATP}\Delta G_{ATP}. }

8. 這條鏈本身就值得 IPM 借用

\boxed{ \text{Observable Signal} \rightarrow \text{Physical Flux} \rightarrow \text{Chemical Work} \rightarrow \text{Energy}. }

而不是：

\boxed{ \text{Observable Signal} \rightarrow \text{arbitrary energy constant}. }

9. 一個 spike 沒有固定能量

這是非常重要的結果。

不同 neuron 的 action potential：

Na/K current overlap 不同；
channel kinetics 不同；
membrane area 不同；
capacitance 不同。

10. 所以外觀相似的 spike

可以：

E_{AP,A} \gg E_{AP,B}.

11. 甚至形狀不是良好能源 proxy

研究顯示 AP 的 width / height 並不足以可靠預測它的 energy consumption。

因此：

\boxed{ SignalShape \neq EnergyCost. }

12. IPM 的直接對應

同樣：

\boxed{ OutputLength \neq EnergyCost. }

也就是：

\boxed{ TokenCount \neq Joule. }

13. 同一語意單位也沒有固定 Joule

Paper 02 的：

\mu_I

是 semantic type。

它在不同架構上：

\rho_P^A(\mu_I) \neq \rho_P^B(\mu_I).

所以：

\boxed{ E_A(\mu_I) \neq E_B(\mu_I). }

14. 這才使「智能能效」成為有意義的比較

如果相同語意工作：

[\mu_I]

在 A 上花：

E_A

在 B 上花：

E_B,

才能比較 realization efficiency。

15. 神經能量預算不是只算 action potential

早期與更新後 cortical energy budget 都顯示：

真正的 signaling cost 來自多個部分。

16. Cerebral cortex 更新預算的典型分配

一個更新模型估計：

\boxed{ \sim50\% }

signaling energy 在 postsynaptic glutamate receptors。

17. Action potentials

約：

\boxed{ 21\%. }

18. Resting potentials

約：

\boxed{ 20\%. }

19. 其餘

包括：

presynaptic transmitter release；
transmitter recycling。

20. 這告訴我們：「顯眼運算」不是全部成本

神經 spike 最顯眼。

但能量大頭可能在：

\boxed{ \text{integration + maintenance + communication}. }

21. AI 同樣如此

AI 系統不能只量：

FLOPs.

還要量：

HBM reads/writes；
KV/cache residency；
interconnect；
synchronization；
routing；
CPU/GPU coordination。

Paper 05 將正式展開這些。

22. 神經系統的 state maintenance 很昂貴

即使沒有顯式外部任務，大腦仍需要：

resting potential；
housekeeping；
synaptic maintenance；
spontaneous activity。

23. 所以需要 baseline

\boxed{ P_{\mathrm{base}}(t). }

24. 人腦約 20 W 不是「20 W/思考」

它代表整個 brain 的持續 metabolic power 等級。

25. 高階認知新增的能量可能只是一小部分

這形成：

\boxed{ \text{High Baseline} + \text{Small Task Delta}. }

26. 因此單一任務成本必須至少分三種

Gross Energy

\boxed{ E_{\mathrm{gross}} = \int P_{\mathrm{system}}(t)\,dt. }

27. Baseline Energy

\boxed{ E_{\mathrm{base}} = \int P_{\mathrm{baseline}}(t)\,dt. }

28. Marginal Task Energy

\boxed{ E_{\mathrm{marg}} = E_{\mathrm{gross}} - E_{\mathrm{base}}. }

29. 但實際系統還有 shared overhead

例如 AI data center：

cooling；
network switches；
model servers；
memory refresh。

這些不是純 idle，也不是某個 request 完全獨占。

30. 因此加入 Attributed Energy

\boxed{ E_{\mathrm{attrib}} = E_{\mathrm{marg}} + \alpha E_{\mathrm{shared}}. }

其中 $\alpha$ 是明示的 allocation rule。

31. 四種能源量

\boxed{ \mathcal E= ( E_{\mathrm{gross}}, E_{\mathrm{base}}, E_{\mathrm{marg}}, E_{\mathrm{attrib}} ). }

32. 這四個不能混用

如果研究問題是：

這次 request 額外用了多少電？

應優先看：

E_{\mathrm{marg}}.

33. 如果問：

這個服務每次回答平均應承擔多少總能源？

可能看：

E_{\mathrm{attrib}}.

34. 如果問 data-center 當下真實用電

才是：

E_{\mathrm{gross}}.

35. 所以能源單位相同，不代表測量問題相同

全部都是 Joule。

但語意不同。

36. Joule 也需要 Type

可以寫：

\boxed{ J[\mathrm{gross}], J[\mathrm{marg}], J[\mathrm{attrib}]. }

避免報告時偷換。

37. 神經資訊效率：ATP per bit

神經科學進一步試過把：

\text{information}

與：

\text{energy}

直接耦合。

38. 經典形式

\boxed{ \eta_{I/E} = \frac{I}{E}. }

或者：

\boxed{ C_{E/I} = \frac{E}{I}. }

39. Laughlin 等人的經典估計

在其特定 blowfly sensory system 中，chemical synapse 傳輸一 bit 約：

\boxed{ 10^4\ ATP/bit. }

40. 某些 graded / spike signals

則可能達：

\boxed{ 10^6\sim10^7\ ATP/bit. }

41. 這些不是宇宙常數

它們依賴：

organism；
cell type；
coding scheme；
signal rate；
noise。

42. 所以真正可借的是方法

\boxed{ \text{information carried} \div \text{physical energy}. }

不是數值本身。

43. Information per Joule 仍不是 Intelligence per Joule

例如：

一條網路傳輸大量 random bits。

I\gg0.

但：

\mu_I^{eff}=0.

44. 所以：

\boxed{ Information \neq \text{Task-Relevant Semantic Work.} }

45. IPM 需要一個更高層 numerator

Paper 02：

N_{\mu}^{eff}.

46. 因此：

\boxed{ \eta_{\mu/E} = \frac{ N_{\mu}^{eff} }{ E_{\mathrm{marg}} }. }

才比較接近 semantic-energy efficiency。

47. 但 $N_\mu$ 仍不等於成果品質

所以最終還需要：

\boxed{ \eta_{Q/E} = \frac{ Q }{ E_{\mathrm{marg}} }. }

48. 三條效率鏈

\boxed{ \eta_{I/E} = \frac{I}{E} }

資訊能效。

49. 語意能效

\boxed{ \eta_{\mu/E} = \frac{N_{\mu}^{eff}}{E}. }

50. 成果能效

\boxed{ \eta_{Q/E} = \frac{Q}{E}. }

51. 三者不可等同

\boxed{ \eta_{I/E} \neq \eta_{\mu/E} \neq \eta_{Q/E}. }

52. 現在進入 Landauer principle

Landauer 的核心命題針對：

\boxed{ \text{logically irreversible information erasure}. }

53. 在理想條件下

刪除一 bit 的最低熱耗散：

\boxed{ E_L = k_BT\ln2. }

54. 這是一個 fundamental bound

但它的適用對象是：

\boxed{ \text{erasure}. }

不是：

\boxed{ \text{all computation}. }

55. 所以最常見的錯誤寫法

\boxed{ 1\ \text{bit}\ \text{computation} = k_BT\ln2 }

不成立。

56. 更錯的是

\boxed{ 1\ \mu_I = k_BT\ln2. }

57. $\mu_I$ 可能需要抹除很多物理 bit

也可能由接近 reversible 的中間過程實現。

58. 真正需要的是 physical implementation graph

令：

N_{\mathrm{erase}}

為某一實作中實際需要的 logically irreversible bit erasures。

59. 才有理論下界

\boxed{ E_{\mathrm{Landauer}} \ge N_{\mathrm{erase}}k_BT\ln2. }

60. 但 $N_{\mathrm{erase}}$ 本身通常非常難從高階任務直接得到

所以不能從：

TokenCount

直接推出：

E_{\mathrm{Landauer}}.

61. Landauer Distance

如果能合理估計下界，可定義：

\boxed{ D_L = \frac{ E_{\mathrm{actual}} }{ E_{\mathrm{Landauer}} }. }

62. 但 $D_L$ 只表示 implementation 距離物理下界多遠

不是 intelligence score。

63. 所以：

\boxed{ D_L \neq IntelligenceEfficiency. }

64. 實際系統遠高於 Landauer limit 很正常

原因包括：

noise；
reliability；
finite-time operation；
control；
memory movement；
nonideal hardware；
cooling；
communication。

65. 神經系統就是很好的例子

實測 biological signaling cost 可比純 thermodynamic minimum 高許多數量級。

這不代表大腦「違反熱力學最佳化」。

66. 因為演化最佳化的是多目標

例如：

\boxed{ Energy + Speed + Reliability + Robustness + Adaptability. }

67. 所以真正的 optimum 通常不是最低 Joule

而是 Pareto optimum。

68. 這和 AI 完全一致

一個超省電但 10 小時才回答的模型，

未必優於：

稍微耗電；
但 1 秒完成；
更可靠的模型。

69. 因此：

\boxed{ \min E \neq \max IntelligenceUtility. }

70. 熱力學還提供第二條橋：entropy production

非平衡系統中，運算與 state transition 會伴隨：

\boxed{ \Sigma = \text{entropy production}. }

71. Information thermodynamics

進一步研究：

\boxed{ \text{Information Flow} \leftrightarrow \text{Energy / Heat / Entropy Production}. }

72. 這對 neural inference 很重要

因為 neuron / synapse 是 noisy stochastic systems。

所以：

\boxed{ \text{uncertainty reduction} }

不需要與 physical energy 分開研究。

73. 但仍不能把 Shannon entropy 當 physical entropy

兩者可以有正式關係。

但：

\boxed{ H_{\mathrm{Shannon}} \neq S_{\mathrm{thermodynamic}} }

沒有指定系統與映射時不能直接當等號。

74. 同樣 variational free energy 也不是直接 Joule

認知科學中：

F_{\mathrm{variational}}

是一個統計／資訊量。

75. 而：

F_{\mathrm{thermodynamic}}

是物理熱力學量。

76. 所以：

\boxed{ VariationalFreeEnergy \neq PhysicalEnergy }

除非另有明確物理模型建立映射。

77. 這是 IPM 的 Thermodynamic Type Safety

任何物理能源值都必須有：

\boxed{ Joule. }

78. 資訊或語意函數不能因為名稱有 energy/free energy 就直接混入

79. Baseline Paradox

現在回到認知成本。

如果 brain 維持：

P_{\mathrm{base}}\approx20W,

做任務只增加少量：

\Delta P,

那單題「耗能」怎麼算？

80. 若全部算 gross

回答 1 秒：

E\approx20J.

但這包含本來就會消耗的 baseline。

81. 若只算 marginal

可能：

E_{\mathrm{marg}}\ll20J.

82. 兩者都不是錯

它們回答不同問題。

83. Gross 問：

物理系統在這段時間總共用了多少能量？

84. Marginal 問：

因為執行這個任務，多用了多少？

85. Attributed 問：

若要把維持系統存在的成本公平分攤，每題應負擔多少？

86. 所以智能產率至少要指定分母類型

例如：

\boxed{ \eta_{Q/E}^{marg} = \frac{Q}{E_{\mathrm{marg}}} }

87. 或：

\boxed{ \eta_{Q/E}^{attrib} = \frac{Q}{E_{\mathrm{attrib}}}. }

88. 不能只寫：

\frac{Q}{E}

卻不說 $E$ 是什麼。

89. AI 也需要 Idle-Matched Baseline

假設 GPU idle：

P_{idle}.

90. request 執行時：

P_{req}(t).

91. 則最基本：

\boxed{ E_{\mathrm{marg}} = \int [P_{req}(t)-P_{idle}]dt. }

92. 但 shared batching 會更複雜

同一 GPU 同時跑很多 request。

所以 per-request energy attribution 不是單純除法。

Paper 05 再處理。

93. 目前先建立 Energy Boundary

任何報告必須標明：

\boxed{ Boundary_E }

94. 可以是：

accelerator only；
node；
rack；
data center；
full infrastructure；
lifecycle。

95. 兩份 Joule 如果 boundary 不同

不可直接比較。

96. 因此：

\boxed{ E = E( Boundary, BaselineRule, AttributionRule ). }

97. 這是能源計量最重要的 meta-data

98. Neural Energy Accounting 給 IPM 的七個借鑑

本文定義：

\boxed{ \mathcal B_E= ( B_F,B_B,B_M,B_I,B_L,B_T,B_P ) }

99. $B_F$ — Flux Accounting

從實際物理流量往上算。

100. $B_B$ — Baseline Separation

基線與 task delta 分開。

101. $B_M$ — Multi-Component Budget

不要只計算最顯眼的 event。

102. $B_I$ — Information–Energy Separation

資訊量與能源量型別分離。

103. $B_L$ — Lower-Bound Discipline

熱力學下界不冒充實際成本。

104. $B_T$ — Thermodynamic Type Safety

Shannon / variational / physical entropy-energy 不偷換。

105. $B_P$ — Pareto Efficiency

能源不是唯一目標。

106. 對 $\mu_I$ 的能源實現向量

現在可以寫：

\boxed{ \mathcal E_{\mu} = ( E_{\mathrm{gross}}, E_{\mathrm{marg}}, E_{\mathrm{attrib}}, E_{\mathrm{thermo,min}} ). }

107. 但一個 $\mu_I$ 不必有唯一固定值

更合理：

\boxed{ \mathcal E_{\mu} \sim P( E \mid \mu_I, Architecture, Hardware, Context, Boundary ). }

108. 這是一個 realization distribution

不是常數表。

109. 同一個語意 operation

可能：

E_{\mu}^{Transformer} \neq E_{\mu}^{Symbolic} \neq E_{\mu}^{Brain}.

110. 這才是跨基質智能計量真正有趣的地方

我們不是要證明：

人腦和 Transformer 一樣。

111. 而是問：

\boxed{ \text{EquivalentSemanticWork} \rightarrow \text{DifferentPhysicalCost}. }

112. 能源還有時間問題

功率：

P(t)

與總能量：

E=\int Pdt

不同。

113. 兩系統都用 100 J

但：

T_A=1s

T_B=100s.

使用價值不同。

114. 所以 Paper 05 必須引入 computational spacetime

能源只是一條投影。

115. IPM 不能被簡化成「每焦耳 IQ」

如果只用：

Q/J,

會漏掉：

latency；
hardware occupancy；
memory；
parallelism；
spatial resource。

116. 但 Joule 仍是最重要的跨基質共同物理量之一

因為：

\boxed{ \text{all real computation consumes physical resources}. }

117. 十四個 Canonical Invariants

Invariant 1

\boxed{ Spike \neq FixedEnergyUnit. }

Invariant 2

\boxed{ Token \neq FixedEnergyUnit. }

Invariant 3

\boxed{ \mu_I \neq FixedEnergyUnit. }

Invariant 4

\boxed{ SignalShape \neq EnergyCost. }

Invariant 5

\boxed{ GrossEnergy \neq MarginalEnergy. }

Invariant 6

\boxed{ MarginalEnergy \neq AttributedEnergy. }

Invariant 7

\boxed{ InformationPerJoule \neq IntelligencePerJoule. }

Invariant 8

\boxed{ LandauerBound \neq ActualComputationCost. }

Invariant 9

\boxed{ 1\mu_I \neq k_BT\ln2. }

Invariant 10

\boxed{ ShannonEntropy \neq ThermodynamicEntropy }

without an explicit mapping.

Invariant 11

\boxed{ VariationalFreeEnergy \neq PhysicalEnergy. }

Invariant 12

\boxed{ MinimumEnergy \neq MaximumUtility. }

Invariant 13

\boxed{ EnergyComparison \Rightarrow SameBoundary. }

Invariant 14

\boxed{ SemanticWork \neq ThermodynamicWork. }

118. 對 IPM 統一事件向量的擴張

Paper 03：

\mathfrak E''= ( Q, \mathbf N_{\mu}, Conf_{\mu}, Grade_{\mu}, U,G,I,L,R,S,T,E,V_{CST} ).

119. 現在把 $E$ 展開：

\boxed{ \mathfrak E'''= ( Q, \mathbf N_{\mu}, Conf_{\mu}, Grade_{\mu}, U,G,I,L,R,S,T, \mathcal E, Boundary_E, V_{CST} ) }

其中：

\boxed{ \mathcal E= ( E_{\mathrm{gross}}, E_{\mathrm{base}}, E_{\mathrm{marg}}, E_{\mathrm{attrib}}, E_{\mathrm{thermo,min}} ). }

120. 這是第一次讓「一個答案用了多少電」變成可重現的科學問題

不再只說：

大約用了 5 Joules。

而是要說：

哪個 boundary？
gross 還是 marginal？
baseline 怎麼定？
shared overhead 怎麼分？
Landauer 是不是只是 lower bound？

121. 能源 measurement grade

本文再補充：

E-Grade D — Estimated

由 TDP、FLOPs 或公開規格推估。

122. E-Grade C — Device Telemetry

有 GPU / CPU power telemetry。

123. E-Grade B — Node-Level Meter

有完整節點實測。

124. E-Grade A — Infrastructure Meter

包含 power supply、network、cooling 等指定 boundary。

125. E-Grade A+ — Marginal Causal Energy

有 matched baseline / randomized workload，可估計 causal marginal task energy。

126. 因為能源也不能只報一個假精確數字

如果只是拿 GPU TDP 乘時間，

不應假裝是：

E_{\mathrm{true}}.

127. 所以：

\boxed{ EnergyEstimate + MeasurementGrade + Boundary }

必須一起報。

128. 結論：智能進入物理世界後，任何語意都必須付出實現成本

人腦能量學最重要的貢獻，不是告訴我們：

一個 spike 固定值多少 Joule。

恰恰相反。

它證明：

\boxed{ \textbf{ 同一種可見神經事件， 可以因底層離子動力學與系統架構不同， 具有完全不同的實際能量成本。 } }

因此，智能物理計量不能建立：

Token\rightarrow Joule

的簡單表。

也不能建立：

\mu_I\rightarrow ConstantJoule.

真正的結構是：

\boxed{ \mu_I \rightarrow \rho_C \rightarrow \rho_P \rightarrow \rho_T. }

而 $\rho_T$ 的輸出還要分：

\boxed{ E_{\mathrm{gross}}, E_{\mathrm{base}}, E_{\mathrm{marg}}, E_{\mathrm{attrib}}, E_{\mathrm{thermo,min}}. }

Landauer principle 則只提供其中最底層的理論約束之一：

\boxed{ E_{\mathrm{erase,min}} = k_BT\ln2 }

它不是智能的價格。

不是 reasoning 的價格。

不是一個 $\mu_I$ 的價格。

它只是提醒我們：

\boxed{ \textbf{ 資訊處理最終不是抽象魔法； 當資訊被物理系統操作， 至少有部分邏輯轉換會受到熱力學不可逃避的約束。 } }

更重要的是，大腦也提醒我們：

\boxed{ \text{Baseline} \gg \text{TaskDelta} }

完全可能成立。

所以如果未來有人說：

這個 AI 回答用了 100 J。

我們第一個問題不應該是：

那它效率高不高？

而應該先問：

這 100 J 是 gross、marginal 還是 attributed？

再問：

它完成了多少有效 $\mu_I$ ？

最後才問：

產生了多少品質 $Q$ ？

這才形成：

\boxed{ \text{Physical Energy} \rightarrow \text{Semantic Work} \rightarrow \text{Task Quality}. }

但即使到了這裡，能源仍只是一條物理軸。

一個模型可能：

Joule 很少；
卻占用大量 memory 很久；

另一個：

Joule 相近；
卻使用 64 張 GPU 平行完成；

又或者兩者 FLOPs 相同，但 memory movement 完全不同。

因此下一篇必須回答：

\boxed{ \textbf{ 如果計算成本不只有 FLOPs 與 Joules， 那真正的「計算時空」到底由什麼組成？ } }

這就是 Paper 05：

《計算不是只有 FLOPs：記憶體、互連、硬體占用與計算時空體積》。

文獻基礎

[1] Attwell, D., & Laughlin, S. B. (2001). An Energy Budget for Signaling in the Grey Matter of the Brain. Journal of Cerebral Blood Flow & Metabolism, 21(10), 1133–1145. DOI: 10.1097/00004647-200110000-00001.

[2] Howarth, C., Gleeson, P., & Attwell, D. (2012). Updated energy budgets for neural computation in the neocortex and cerebellum. Journal of Cerebral Blood Flow & Metabolism, 32(7), 1222–1232. DOI: 10.1038/jcbfm.2012.35.

[3] Laughlin, S. B., de Ruyter van Steveninck, R. R., & Anderson, J. C. (1998). The metabolic cost of neural information. Nature Neuroscience, 1, 36–41. DOI: 10.1038/236.

[4] Sengupta, B., Stemmler, M., Laughlin, S. B., & Niven, J. E. (2010). Action Potential Energy Efficiency Varies Among Neuron Types in Vertebrates and Invertebrates. PLOS Computational Biology, 6(7), e1000840. DOI: 10.1371/journal.pcbi.1000840.

[5] Sengupta, B., Laughlin, S. B., & Niven, J. E. (2014). Consequences of Converting Graded to Action Potentials upon Neural Information Coding and Energy Efficiency. PLOS Computational Biology, 10(1), e1003439. DOI: 10.1371/journal.pcbi.1003439.

[6] Karbowski, J. (2024). Information Thermodynamics: From Physics to Neuroscience. Entropy, 26(9), 779. DOI: 10.3390/e26090779.

[7] Landauer, R. (1961). Irreversibility and Heat Generation in the Computing Process. IBM Journal of Research and Development, 5, 183–191.

[8] Bérut, A., Arakelyan, A., Petrosyan, A., Ciliberto, S., Dillenschneider, R., & Lutz, E. (2012). Experimental verification of Landauer’s principle linking information and thermodynamics. Nature, 483, 187–189. DOI: 10.1038/nature10872.

[9] Georgescu, I. (2021). 60 years of Landauer’s principle. Nature Reviews Physics, 3, 770. DOI: 10.1038/s42254-021-00400-8.

[10] Westbrook, A. et al. (2025). The metabolic costs of cognition. Trends in Cognitive Sciences, 29(6), 541–555. DOI: 10.1016/j.tics.2024.11.010.

系列路徑

Paper 01｜一輪到底是一輪什麼？：使用者回合、隱藏 LOOP 與單次智能的重新定義
Paper 02｜智能到底算了一次什麼？：最小智能語意執行單位的候選理論
Paper 03｜從認知到神經元：人腦如何跨層測量智能計算
Paper 04｜從神經元到焦耳：智能計算的能量、熱力學與物理下界
Paper 05｜計算不是只有 FLOPs：記憶體、互連、硬體占用與計算時空體積
Paper 06｜成果品質到底怎麼量？：從形式化正確性到結構化智能品質
Paper 07｜不要叫人類替自己的感覺打分數：IBQF 二元測量與低負擔品質評估
Paper 08｜自然語言、圖像與創意如何被量？：高歧義成果的結構化品質空間
Paper 09｜拿掉 LOOP 還剩多少智能？：單次智能、鷹架依賴與隱藏計算成本
Paper 10｜一個答案值多少物理世界？：智能產率的統一計量框架

從神經元到焦耳：智能計算的能量、熱力學與物理下界

從神經元到焦耳：智能計算的能量、熱力學與物理下界

From Neurons to Joules: Energy, Thermodynamics, and Physical Lower Bounds of Intelligent Computation

摘要

1. 從 spike 往下走，而不是把 spike 當終點

2. Action potential 的能量來源

3. Na/K pump 是主要恢復機制之一

4. 從電流到離子數

5. 再到離子個數

6. 再從離子個數到 ATP

7. 從 ATP 到 Joule

8. 這條鏈本身就值得 IPM 借用

9. 一個 spike 沒有固定能量

10. 所以外觀相似的 spike

11. 甚至形狀不是良好能源 proxy

12. IPM 的直接對應

13. 同一語意單位也沒有固定 Joule

14. 這才使「智能能效」成為有意義的比較

15. 神經能量預算不是只算 action potential

16. Cerebral cortex 更新預算的典型分配

17. Action potentials

18. Resting potentials

19. 其餘

20. 這告訴我們：「顯眼運算」不是全部成本

21. AI 同樣如此

22. 神經系統的 state maintenance 很昂貴

23. 所以需要 baseline

24. 人腦約 20 W 不是「20 W/思考」

25. 高階認知新增的能量可能只是一小部分

26. 因此單一任務成本必須至少分三種

Gross Energy

27. Baseline Energy

28. Marginal Task Energy

29. 但實際系統還有 shared overhead

30. 因此加入 Attributed Energy

31. 四種能源量

32. 這四個不能混用

33. 如果問：

34. 如果問 data-center 當下真實用電

35. 所以能源單位相同，不代表測量問題相同

36. Joule 也需要 Type

37. 神經資訊效率：ATP per bit

38. 經典形式

39. Laughlin 等人的經典估計

40. 某些 graded / spike signals

41. 這些不是宇宙常數

42. 所以真正可借的是方法

43. Information per Joule 仍不是 Intelligence per Joule

44. 所以：

45. IPM 需要一個更高層 numerator

46. 因此：

47. 但 NμN_\muNμ​ 仍不等於成果品質

48. 三條效率鏈

49. 語意能效

50. 成果能效

51. 三者不可等同

52. 現在進入 Landauer principle

53. 在理想條件下

54. 這是一個 fundamental bound

55. 所以最常見的錯誤寫法

56. 更錯的是

57. μI\mu_IμI​ 可能需要抹除很多物理 bit

58. 真正需要的是 physical implementation graph

59. 才有理論下界

60. 但 NeraseN_{\mathrm{erase}}Nerase​ 本身通常非常難從高階任務直接得到

61. Landauer Distance

62. 但 DLD_LDL​ 只表示 implementation 距離物理下界多遠

63. 所以：

64. 實際系統遠高於 Landauer limit 很正常

65. 神經系統就是很好的例子

66. 因為演化最佳化的是多目標

67. 所以真正的 optimum 通常不是最低 Joule

68. 這和 AI 完全一致

69. 因此：

70. 熱力學還提供第二條橋：entropy production

71. Information thermodynamics

72. 這對 neural inference 很重要

73. 但仍不能把 Shannon entropy 當 physical entropy

74. 同樣 variational free energy 也不是直接 Joule

75. 而：

47. 但 $N_\mu$ 仍不等於成果品質

57. $\mu_I$ 可能需要抹除很多物理 bit

60. 但 $N_{\mathrm{erase}}$ 本身通常非常難從高階任務直接得到

62. 但 $D_L$ 只表示 implementation 距離物理下界多遠

99. $B_F$ — Flux Accounting

100. $B_B$ — Baseline Separation

101. $B_M$ — Multi-Component Budget

102. $B_I$ — Information–Energy Separation

103. $B_L$ — Lower-Bound Discipline

104. $B_T$ — Thermodynamic Type Safety

105. $B_P$ — Pareto Efficiency

106. 對 $\mu_I$ 的能源實現向量

107. 但一個 $\mu_I$ 不必有唯一固定值

119. 現在把 $E$ 展開：