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

What Does Intelligence Compute Once? A Candidate Theory of the Minimum Intelligent Semantic Execution Unit

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 02 / 10
文件編號： EML-IPM-02
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
工程狀態： 無 MVP；本文建立候選計量本體，不宣稱已發現唯一神經或模型內部「智能原子」

摘要

如果 token 不是智能的最小計算單位，FLOP 也不是，attention head、neuron activation、layer、forward pass 亦不是，那麼：

\boxed{ \textbf{ 智能到底「算了一次」什麼？ } }

這是智能物理計量學最基礎、也最危險的問題。若這一步定義錯誤，後續所有「每焦耳智能」「每秒智能」「單次智能產率」都只會變成把錯誤 proxy 精密化。

本文提出 最小智能語意執行單位：

\boxed{ \mu_I = \text{Minimum Intelligent Semantic Execution Unit} }

但本文刻意不把 $\mu_I$ 定義成某一種硬體事件，也不把它定義成某一個固定神經結構。相反地， $\mu_I$ 被定義為：

對某個已指定任務之求解狀態，造成最小可辨識、具因果效用、且可被後續推理利用的語意狀態轉換。

形式上：

\boxed{ z_t \xrightarrow{\mu_I} z_{t+1} }

其中 $z_t$ 與 $z_{t+1}$ 是 task-relative semantic solution state。

$\mu_I$ 必須至少滿足七個條件：

\boxed{ \mathcal C_{\mu} = ( C_T, C_S, C_C, C_N, C_K, C_R, C_P ) }

其中：

$C_T$ ：Task Relevance，與指定任務相關；
$C_S$ ：State Change，確實改變求解狀態；
$C_C$ ：Causal Contribution，對後續成果具有因果貢獻；
$C_N$ ：Non-decomposability at the chosen semantic resolution，在指定語意解析度下不可再拆而不失去該功能；
$C_K$ ：Composability，可組合成更高階認知操作；
$C_R$ ：Realization Independence，語意單位不綁死單一模型或硬體；
$C_P$ ：Physical Realizability，必須能向下對應到實際物理執行軌跡。

因此：

\boxed{ Token \neq \mu_I }

因為 token 是表達／序列單位，不保證對求解狀態產生有效語意轉換。

同樣：

\boxed{ FLOP \neq \mu_I }

因為 FLOP 是算術原語，沒有 task semantics。

以及：

\boxed{ NeuronActivation \neq \mu_I }

因為一個語意轉換可能分散於大量神經元、層、注意力路徑與記憶存取中；反過來，一個單一 activation 也未必具有可獨立辨識的語意功能。

本文進一步提出：

\boxed{ \mu_I \neq \text{Thought} }

因為「想法」通常太大、太語言化、太依賴觀察者切分，無法作為穩定計量原子。

因此 $\mu_I$ 不是 literal atom，而是 最小可用語意解析單位（minimum useful semantic resolution）。它的最小性是：

\boxed{ \text{resolution-relative} }

而不是宇宙中存在一個唯一、絕對的「智能量子」。

本文提出四個主要候選族：

\boxed{ \mathcal M_{\mu} = ( M_B, M_R, M_C, M_I ) }

其中：

$M_B$ ：Belief Update Unit，信念更新單位；
$M_R$ ：Relation Construction Unit，關係建立／改寫單位；
$M_C$ ：Constraint Resolution Unit，約束消解單位；
$M_I$ ：Information-Gain / Uncertainty-Reduction Unit，資訊增益／不確定性下降單位。

本文並主張，真正成熟的 $\mu_I$ 很可能不是以上四者中的單一一種，而是一個共同形式：

\boxed{ \mu_I = \Delta z \;\text{such that}\; \Delta z \text{ is task-relevant, causally useful, and semantically non-redundant}. }

為了避免把「大量內部活動」誤認成「大量有效智能」，本文再定義：

\boxed{ N_{\mu}^{\mathrm{gross}} }

為所有候選語意轉換數，

以及：

\boxed{ N_{\mu}^{\mathrm{eff}} }

為實際對最終成果具有因果效用的有效語意轉換數。

其效率為：

\boxed{ \eta_{\mu} = \frac{ N_{\mu}^{\mathrm{eff}} }{ N_{\mu}^{\mathrm{gross}} }. }

這使我們可以區分：

\boxed{ \text{Semantic Activity} \neq \text{Effective Intelligent Work}. }

最後，本文建立 $\mu_I$ 的跨層對映：

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

其中：

$\rho_C$ ：algorithmic/computational realization；
$\rho_P$ ：physical execution trace；
$\rho_T$ ：thermodynamic realization。

因此真正的智能物理學問題不再是：

一個 token 要多少焦耳？

而是：

\boxed{ \textbf{ 完成一個有效的最小語意狀態轉換， 在某個模型與硬體上需要多少實際物理計算？ } }

本文終端命題為：

\boxed{ \textbf{ 智能的最小計量單位不應由輸出格式決定， 也不應由硬體原語決定； 它應由「對求解狀態造成的最小有效語意改變」決定， 再向下追蹤其物理實現。 } }

關鍵詞： MISEU、Minimum Intelligent Semantic Execution Unit、Semantic State Transition、Belief Update、Constraint Resolution、Information Gain、Physical Metrology of Intelligence

1. 為什麼 token 不是答案

Token 是：

\boxed{ \text{representation / serialization unit}. }

它適合：

計價；
context budgeting；
decoding；
throughput。

但它並不保證代表：

\boxed{ \text{one unit of intelligence}. }

2. 相同 token 可以沒有相同語意工作

例如：

好的好的好的好的。

和：

因此 $A\Rightarrow B$ 與 $B\Rightarrow C$ 可推出 $A\Rightarrow C$ 。

token 數可能相近。

但：

\boxed{ SemanticWork_1 \neq SemanticWork_2. }

3. 同一語意也可以使用不同 token 數表達

所以：

\boxed{ SemanticUnit \not\propto TokenCount. }

4. FLOP 也不是答案

FLOP 是 floating-point operation。

它描述：

a+b, \quad a\times b

這類算術操作。

5. 但一個 FLOP 沒有 task semantics

\boxed{ FLOP \neq BeliefUpdate. }

\boxed{ FLOP \neq RelationFormation. }

6. 同樣 FLOPs 可以實現不同智能功能

同一矩陣乘法形式：

Y=XW

可以在：

vision；
language；
control；
protein modeling；

中執行完全不同語意角色。

7. 所以 FLOP 是 implementation primitive

不是 semantic primitive。

8. Neuron activation 也不夠

如果我們說：

一個 neuron fire 就是一個智能單位。

問題立刻出現。

9. 分散表示

現代神經網路中的語意通常不是：

Concept\leftrightarrow OneNeuron.

更常是：

\boxed{ Concept \leftrightarrow DistributedPattern. }

10. 一個語意轉換可以跨越多層

例如：

Relation(A,B)

的建立可能涉及：

attention；
MLP；
residual stream；
memory retrieval；
routing。

11. 因此：

\boxed{ NeuronActivation \neq SemanticExecutionUnit. }

12. Layer 也不是單位

一層 Transformer block 可以同時完成大量不同功能。

所以：

\boxed{ Layer \neq OneIntelligentOperation. }

13. Forward pass 也太粗

完整 forward pass 可能同時包含：

\mu_1,\mu_2,\ldots,\mu_k.

它更像一次大規模物理實現，而不是語意最小單位。

14. 「想法」又太大

人可以說：

我剛剛想到一個方法。

但這個「一個想法」內部可能包含：

關係辨識；
約束消除；
類比；
目標重構；
結論生成。

15. 所以：

\boxed{ Thought \neq MinimumSemanticExecution. }

16. 我們真正需要的是中間層

即：

\boxed{ PhysicalPrimitive \rightarrow SemanticPrimitive \rightarrow TaskAchievement. }

17. 定義 task-relative solution state

令：

z_t

表示時刻 $t$ 的求解語意狀態。

18. $z_t$ 可以包含

z_t= ( B_t, R_t, C_t, G_t, U_t )

其中：

$B_t$ ：beliefs；
$R_t$ ：relations；
$C_t$ ：constraints；
$G_t$ ：goals/subgoals；
$U_t$ ：uncertainty。

19. 這不是要求模型內部真的有這五個欄位

它是 observer-level semantic state abstraction。

20. 最小智能語意執行單位

本文定義：

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

其中：

z_{t+1}\neq z_t.

21. 但「有變」仍不夠

如果只是：

把句子改寫得更長。

可能：

z_{t+1}

在任務求解上沒有實質進展。

22. 所以需要 Task Relevance

第一條：

\boxed{ C_T: \Delta z \text{ must be task-relevant}. }

23. 第二條：State Change

\boxed{ C_S: d(z_t,z_{t+1})>\epsilon. }

在指定解析度下必須存在可辨識改變。

24. 第三條：Causal Contribution

如果移除該轉換：

do(\mu_I=0)

最終成果會受到可檢出的負面影響。

25. 形式：

\boxed{ Q(Y\mid \mu_I) > Q(Y\mid do(\mu_I=0)) }

至少在期望意義下成立。

26. 這使 $\mu_I$ 不只是相關事件

而是有效工作。

27. 第四條：Non-decomposability

在指定 semantic resolution $\delta$ 下，

若：

\mu_I=\mu_a\oplus\mu_b

且 $\mu_a,\mu_b$ 各自仍能單獨保有同樣可辨識語意功能，

那原本 $\mu_I$ 就不是最小。

28. 但「最小」不是絕對

這是本文最重要的保守條件之一：

\boxed{ Minimality = Minimality(\delta,Task,Observer). }

29. 為什麼不能要求絕對最小

因為不同觀察尺度下：

一個 proof step 可以拆成 algebra steps；
algebra step 又可拆成 symbolic rewrites；
symbolic rewrite 又可拆成 machine instructions。

永遠可以往下拆。

30. 所以 $\mu_I$ 是 minimum useful semantic resolution

不是 metaphysical atom。

31. 第五條：Composability

更高階推理必須能表示成：

\boxed{ \Pi= \mu_1\oplus\mu_2\oplus\cdots\oplus\mu_n. }

32. 否則它不能成為計量學單位

如果每個 $\mu_I$ 都不能組合，就無法建立總工作量。

33. 第六條：Realization Independence

同樣的語意轉換可以在不同架構上實現。

例如：

A>B,\quad B>C \Rightarrow A>C.

34. Transformer、symbolic engine、人腦都可能完成

所以：

\boxed{ \mu_I \neq \text{specific hardware event}. }

35. 第七條：Physical Realizability

但 realization independence 不代表脫離物理。

每個真正執行的 $\mu_I$ 必須存在：

\boxed{ \rho_P(\mu_I) }

即某個物理 trace。

36. 所以語意不等於非物理

而是：

\boxed{ \text{Semantic Type} \neq \text{Physical Token} }

但：

\boxed{ \text{Semantic Event} \Rightarrow \text{Physical Realization}. }

37. 七條條件總結

\boxed{ \mathcal C_{\mu} = ( C_T,C_S,C_C,C_N,C_K,C_R,C_P ). }

38. Candidate Family A：Belief Update

第一個候選：

\boxed{ M_B: B_t\rightarrow B_{t+1}. }

39. 例子

原本：

P(H)=0.4.

得到新推論後：

P(H)=0.8.

40. 這明顯是一個語意狀態改變

而且與 Bayesian cognition、predictive processing、decision theory 都有天然連結。

41. 優點

Belief update：

可形式化；
可比較前後；
可定義 information gain。

42. 缺點

不是所有智能活動都可自然寫成 belief probability update。

例如：

產生新概念；
建構資料結構；
創造新 relation。

43. Candidate Family B：Relation Construction

第二類：

\boxed{ M_R: R_t\rightarrow R_{t+1}. }

44. 例

原本知道：

A,\quad B

但不知道它們之間關係。

45. 執行後得到：

R(A,B)=\text{causal}.

或：

R(A,B)=\text{equivalent under condition }C.

46. 這特別適合：

mathematics；
analogy；
causal reasoning；
conceptual synthesis。

47. 缺點

若 relation space 定義不佳，幾乎所有活動都可以被說成「建立關係」。

所以需要 task-relative restriction。

48. Candidate Family C：Constraint Resolution

第三類：

\boxed{ M_C: \mathcal C_t\rightarrow\mathcal C_{t+1}. }

49. 一個問題常可以視為 constraint set

例如：

\mathcal C= \{c_1,c_2,\ldots,c_n\}.

50. 一次有效執行可能：

消除一個不可能分支；
固定一個變數；
發現一個衝突；
合併兩個約束。

51. 例

程式 debugging：

Failure \Rightarrow \neg H_1.

這就消除一個 hypothesis branch。

52. 優點

Constraint resolution 特別適合：

code；
proof；
planning；
search。

53. 缺點

創意生成中的「增加新可能」不總是 reduction。

有時：

|\mathcal C_{t+1}|>|\mathcal C_t|.

54. Candidate Family D：Information Gain

第四類：

\boxed{ M_I: U_t\rightarrow U_{t+1}, \quad U_{t+1}<U_t. }

55. 例如 entropy reduction

\boxed{ IG= H(Z_t)-H(Z_{t+1}). }

56. 優點

這很容易與：

information theory；
neuroscience；
thermodynamics；

往下接。

57. 缺點

智能不只是在減少 uncertainty。

創造問題、生成候選、增加 hypothesis space 有時會暫時：

H(Z_{t+1})>H(Z_t).

但卻是更高品質推理的重要一步。

58. 所以 Information Gain 不能單獨定義智能

59. 統一形式

本文暫時把四個候選統一為：

\boxed{ \mu_I = \Delta z_{\text{task}} }

其中：

\Delta z_{\text{task}} \neq0

且具有後續因果效用。

60. Semantic State 可以展開為

\boxed{ z= (B,R,C,G,U,\Pi) }

新增：

\Pi = \text{available procedures / strategies}.

61. 因此一個 $\mu_I$ 可以改變任一分量

例如：

\Delta B\neq0

或者：

\Delta R\neq0

或者：

\Delta C\neq0.

62. 甚至允許同時改變多個分量

只要在目前解析度下不能被可靠地拆成更小獨立功能。

63. 語意單位不是固定大小

這一點非常重要。

不同任務：

\mu_I^{math} \neq \mu_I^{vision} \neq \mu_I^{planning}.

64. 但可以共享共同公理

即：

\boxed{ \mathcal C_{\mu} }

相同。

65. 所以我們追求的是 typed semantic units

而不是一個所有領域同字面內容的 operation。

66. Type System

可以寫：

\boxed{ \mu_I:\mathrm{Type}[d] }

其中 $d$ 是 domain。

67. 例如：

\mu_I:\mathrm{Type}[MathRelation]

\mu_I:\mathrm{Type}[CodeConstraint]

\mu_I:\mathrm{Type}[VisualComposition].

68. Typed 不代表不可比較

因為跨類型仍可比較：

PhysicalCost(\mu_I).

69. 以及對最終成果的 causal contribution

Contribution(\mu_I\rightarrow Q).

70. Gross Semantic Activity

模型內部可能發生大量：

\mu_1,\mu_2,\ldots,\mu_n

候選轉換。

71. 但不是全部都有效

可能存在：

重複推理；
dead-end；
自我矛盾；
無關聯想；
被後續完全撤回的中間工作。

72. 所以定義：

\boxed{ N_{\mu}^{gross} }

所有識別到的 candidate semantic executions。

73. Effective Semantic Work

定義：

\boxed{ N_{\mu}^{eff} }

對最終成果具正向因果效用的單位。

74. 語意效率

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

75. 這可以測「繞路」

如果兩個模型得到相同答案：

Q_A=Q_B,

但：

N_{\mu,A}^{gross} \gg N_{\mu,B}^{gross},

而 effective work 接近，

則 A 的 semantic path 更浪費。

76. 但這不等於物理浪費

因為不同 $\mu_I$ 的物理實現成本可能不同。

所以：

\boxed{ SemanticEfficiency \neq EnergyEfficiency. }

77. 需要跨層對映

本文建立：

\boxed{ \mu_I \rightarrow \rho_C(\mu_I) }

78. $\rho_C$

Algorithmic / Computational Realization。

可能包含：

attention operations；
retrieval；
routing；
symbolic rewrite；
recurrent state update。

79. 再往下：

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

80. $\rho_P$

Physical Execution Trace。

例如：

\rho_P= ( Ops, Bytes, Interconnect, DeviceTime ).

81. 再往下：

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

82. $\rho_T$

Thermodynamic Realization：

\boxed{ \rho_T= ( Energy, Heat, EntropyProduction ). }

83. 因此完整鏈條

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

84. 這不是一對一映射

同樣 $\mu_I$ 在不同架構上：

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

85. 這恰恰是我們要比較的

因為它讓我們問：

相同語意工作，哪個模型／硬體需要更少物理世界？

86. Semantic Equivalence Class

如果兩個不同物理過程都完成相同 task-relative semantic transition：

\mu_I^A\sim\mu_I^B,

則它們屬於同一語意等價類。

87. 定義：

\boxed{ [\mu_I] = \{ \rho \mid \rho\text{ realizes the same semantic transition} \}. }

88. 這是跨模型計量的核心

否則我們永遠只能比較：

GPU A 比 GPU B 快多少。

而不能比較：

智能工作本身的物理效率。

89. 如何判斷同一語意轉換？

需要至少三種一致性：

\boxed{ \mathcal E_{\mu} = ( E_{pre}, E_{post}, E_{function} ). }

90. $E_{pre}$

前置求解狀態語意等價。

91. $E_{post}$

後置求解狀態語意等價。

92. $E_{function}$

對後續任務行為的功能效用等價。

93. 只看輸出字面相同不夠

兩個模型可能都說：

B。

但一個是推理得到，

一個是猜中。

94. 所以：

\boxed{ SameAnswer \neq SameSemanticExecution. }

95. 需要 counterfactual contribution test

移除該中間狀態後：

Q\downarrow?

96. 若沒有任何影響

那它更可能是 epiphenomenal trace。

97. 這裡遇到可觀測性難題

黑箱模型內部的 $z_t$ 不一定可直接讀取。

98. 因此 $\mu_I$ 需要兩種版本

\boxed{ \mu_I^{obs} }

Observer-Reconstructed Semantic Unit。

99. 以及：

\boxed{ \mu_I^{int} }

True Internal Semantic Unit。

100. 現階段我們通常只能近似前者

所以：

\boxed{ \mu_I^{obs} \approx \mu_I^{int} }

不是已證明等號。

101. 這必須寫在理論裡

否則會犯認識論錯誤：

我們可以描述一個語意步驟，所以模型內部一定就是這樣運算。

不成立。

102. Semantic Instrumentation

未來如果模型提供：

latent probes；
causal interventions；
activation patching；
mechanistic traces；

則可以逐步提高：

Confidence( \mu_I^{obs} \approx \mu_I^{int} ).

103. 但 IPM 不依賴完全可解釋性才開始

因為即使無法看透所有 latent computation，

仍可以先做：

black-box intervention；
task decomposition；
ablation；
paired behavior test。

104. Measurement Ladder

本文提出 $\mu_I$ 的四級量測：

Level 0 — Behavioral Proxy

只從輸入／輸出推斷 semantic steps。

105. Level 1 — Structured Trace

使用可見 reasoning trace、tool trace、symbolic proof steps。

106. Level 2 — Causal Internal Probe

透過 internal intervention 驗證某 latent transition 是否有因果作用。

107. Level 3 — Physical-Semantic Alignment

直接把 semantic event 與 physical trace 對齊。

108. Level 3 才接近完整 IPM

但不應假裝現在所有模型都能做到。

109. $\mu_I$ 與 information bit 的關係

一個 $\mu_I$ 可能帶來：

IG(\mu_I)

資訊增益。

110. 但：

\boxed{ \mu_I \neq 1\ bit. }

111. 一次語意轉換可能產生多 bits 的 uncertainty reduction

也可能暫時增加 entropy。

112. 所以 bit 是量測某個屬性

不是 $\mu_I$ 本身。

113. $\mu_I$ 與 cognitive operation

認知科學常用 elementary mental operation。

我們可以借其：

operation；
cost；
utility；

三元結構。

114. 但 IPM 多加一層

\boxed{ \text{operation} \rightarrow \text{physical trace} \rightarrow \text{energy}. }

115. 最小性問題的正式處理

令解析度：

\delta.

116. 在 $\delta$ 下，

如果任何拆分：

\mu_I\rightarrow (\mu_a,\mu_b)

都使至少一個子單位失去獨立 task-semantic function，

則：

\mu_I

在 $\delta$ 下是最小。

117. 表示：

\boxed{ Minimal_{\delta}(\mu_I)=1. }

118. 更細解析度：

\delta'<\delta

可能重新拆開。

119. 所以：

\boxed{ AbsoluteSemanticAtom }

不是本文主張。

120. 本文主張的是

\boxed{ \text{operationally minimal semantic unit}. }

121. 語意單位也可能有粒度層級

\mu^{(0)} \rightarrow \mu^{(1)} \rightarrow \mu^{(2)}.

122. 例如數學：

Level 0：

x=2.

123. Level 1：

從：

x+1=3

推出：

x=2.

124. Level 2：

完成一個 lemma。

125. Level 3：

完成整個 theorem strategy。

126. 只有最低仍保有 task-semantic function 的層才適合作為當前 $\mu_I$ 。

127. Semantic Work Vector

不是所有 $\mu_I$ 功能都一樣。

可以建立：

\boxed{ \mathbf N_{\mu} = ( N_B, N_R, N_C, N_I, N_G ) }

其中：

$N_B$ ：belief update；
$N_R$ ：relation construction；
$N_C$ ：constraint resolution；
$N_I$ ：information restructuring；
$N_G$ ：goal/strategy transformation。

128. 這比只報總數更好

因為兩個系統可能：

N_{\mu,A}=N_{\mu,B}

但工作結構完全不同。

129. 某些模型可能是「關係型」

N_R\uparrow.

130. 某些是「搜尋型」

N_C\uparrow.

131. 某些是「策略重構型」

N_G\uparrow.

132. 這可能形成 Intelligence Work Profile

\boxed{ \mathcal W_I= \mathbf N_{\mu}. }

133. 這讓智能不再只有「多少」

還有：

\boxed{ \text{what kind of semantic work}. }

134. 與 Paper 01 的連接

Paper 01 定義：

\mathfrak E= ( Q,U,G,I,L,R,S,T,E,V_{CST} ).

135. 現在插入新的中間層：

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

136. 這第一次把「做了多少語意工作」放進事件向量。

137. 但仍不能直接拿 $N_\mu$ 當智能

因為：

Q

才是最終成果。

138. 如果做了很多 $\mu_I$ 但答案很差

那只是：

\boxed{ \text{large semantic work with low yield}. }

139. 所以需要 Semantic Yield

\boxed{ Y_{\mu} = \frac{ Q }{ N_{\mu}^{eff} }. }

140. 這表示

每一單位有效語意工作產生多少成果品質。

141. 再往物理接

Paper 04–05 之後可定義：

\boxed{ Y_{\mu/J} = \frac{ N_{\mu}^{eff} }{ E_{\mathrm{marginal}} }. }

142. 以及：

\boxed{ Y_{Q/J} = \frac{ Q }{ E_{\mathrm{marginal}} }. }

143. 完整鏈條

\boxed{ E_{\mathrm{physical}} \rightarrow N_{\mu}^{eff} \rightarrow Q. }

144. 兩個效率可以分開

\boxed{ \eta_{P\rightarrow \mu} = \frac{ N_{\mu}^{eff} }{ C_{\mathrm{phys}} } }

145. 以及：

\boxed{ \eta_{\mu\rightarrow Q} = \frac{ Q }{ N_{\mu}^{eff} }. }

146. 概念上：

\boxed{ Q = C_{\mathrm{phys}} \cdot \eta_{P\rightarrow \mu} \cdot \eta_{\mu\rightarrow Q}. }

147. 這很重要

因為一個系統可以：

物理→語意很高效；
語意→成果很低效。

148. 另一個可能相反

所以總能效相同，不代表智能機制相同。

149. $\mu_I$ 與創造力

創造力常不是只減少 search space。

150. 一次創造性 $\mu_I$ 可能：

\boxed{ \text{introduce a new relation / variable / representation}. }

151. 因此：

|\Omega_{t+1}|>|\Omega_t|

不代表退步。

152. 真正判準是

新增空間是否提高後續：

ExpectedQ.

153. 所以 creative semantic execution 也能納入 $\mu_I$ 。

154. $\mu_I$ 與錯誤

錯誤推理是否算一個 $\mu_I$ ？

155. 如果它改變了語意狀態：

\Delta z\neq0,

它可以算：

\mu_I^{gross}.

156. 但若最終被證明無助甚至有害：

\boxed{ \mu_I^{eff}=0 }

或負貢獻。

157. 因此可以再定義 signed contribution

\boxed{ w_i^{Q} = \Delta Q_i. }

158. $w_i^Q>0$

有效正向智能工作。

159. $w_i^Q=0$

語意活動但無結果貢獻。

160. $w_i^Q<0$

誤導性智能工作。

161. 所以總有效語意功

可以概念性寫：

\boxed{ W_{\mu} = \sum_i w_i^Q. }

162. 但本文暫不把 $W_\mu$ 當物理 work

避免和 Joule 混淆。

163. Semantic Work 只是功能性計量

Physical Work 才是物理量。

164. 二者必須保持型別分離

\boxed{ W_{\mu}^{semantic} \neq W^{physical}. }

165. 這是一條核心 type safety rule

不允許把「語意功」直接當焦耳。

166. 十四個 Canonical Invariants

Invariant 1

\boxed{ Token\neq \mu_I. }

Invariant 2

\boxed{ FLOP\neq \mu_I. }

Invariant 3

\boxed{ NeuronActivation\neq \mu_I. }

Invariant 4

\boxed{ Layer\neq \mu_I. }

Invariant 5

\boxed{ Thought\neq \mu_I. }

Invariant 6

\boxed{ Minimality = Minimality(\delta,Task,Observer). }

Invariant 7

\boxed{ SemanticUnit \neq SpecificPhysicalImplementation. }

Invariant 8

\boxed{ SemanticEvent \Rightarrow PhysicalRealization. }

Invariant 9

\boxed{ SemanticActivity \neq EffectiveIntelligentWork. }

Invariant 10

\boxed{ SameAnswer \neq SameSemanticExecution. }

Invariant 11

\boxed{ InformationGain \neq IntelligenceItself. }

Invariant 12

\boxed{ SemanticEfficiency \neq EnergyEfficiency. }

Invariant 13

\boxed{ \mu_I^{obs} \neq \mu_I^{int} }

除非有額外證據支持近似。

Invariant 14

\boxed{ SemanticWork \neq PhysicalWork. }

167. 結論：智能的最小單位應由「有效語意改變」決定

如果我們用 token 當智能單位，

會把語言表示誤認成認知工作。

如果用 FLOP，

會把算術原語誤認成語意工作。

如果用 neuron activation，

又會把特定實現方式誤認成跨架構智能本體。

所以：

\boxed{ \textbf{ 智能的最小計量單位必須位於語意與物理之間。 } }

它需要足夠抽象，才能跨：

Transformer；
RNN；
symbolic system；
neuromorphic hardware；
biological brain。

但又不能抽象到失去物理落點。

因此本文提出：

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

其中這個狀態轉換必須：

對任務有關；
真正改變求解狀態；
對最終成果有因果效用；
在指定語意解析度下不可再有意義地拆分；
能與其他單位組合；
不綁死單一硬體；
但可以向下追到真實物理 trace。

所以 $\mu_I$ 不是：

一個字。

不是：

一次乘法。

不是：

一個 neuron。

也不是：

一個完整想法。

它更接近：

\boxed{ \textbf{ 一次最小、有效、可利用的求解語意狀態改變。 } }

而這使 IPM 第一次具有完整中間橋：

\boxed{ \text{Physical Computation} \rightarrow \mu_I \rightarrow \text{Task Quality}. }

但現在還有一個極大的空白。

我們提出了語意中間層，

卻仍然不知道生物智能世界過去是怎麼處理這個問題的。

人腦研究已經使用：

cognitive operation；
spike；
synaptic event；
bits/spike；
ATP；
behavioral throughput；

建立跨尺度 proxy。

所以下一篇不再繼續抽象發明。

而要回頭看：

\boxed{ \textbf{ 人類到底是怎麼把「認知」一路量到「神經事件」的？ } }

這就是 Paper 03。

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

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 — What Does Intelligence Compute Once_ A Candidate Theory of the Minimum Intelligent Semanti