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\ bit\ 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 — From Neurons to Joules_ Energy, Thermodynamics, and Physical Lower Bounds of Intelligent Comp