# 從認知到神經元：人腦如何跨層測量智能計算 ## From Cognition to Neurons: How Human Intelligence Is Measured Across Levels **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 03 / 10 **文件編號：** EML-IPM-03 **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；本文借鑑認知科學與神經科學的跨層量測方法，不將生物單位直接等同 AI 單位 --- ## 摘要 若要建立智能的物理計量，最自然的歷史參照不是現有大型模型 benchmark，而是人類對自身大腦的研究。 然而，神經科學並沒有一個被普遍接受的： $$ \boxed{ 1\ \text{thought} = N\ \text{spikes} } $$ 或： $$ \boxed{ 1\ \text{cognitive operation} = M\ \text{synaptic events} } $$ 換算表。 相反地，認知科學與神經科學長期採用的是一套 **跨層代理量測（cross-level proxy measurement）**： $$ \boxed{ \text{Behavior} \rightarrow \text{Latent Cognitive Process} \rightarrow \text{Neural Code} \rightarrow \text{Cellular Events} \rightarrow \text{Physical Implementation}. } $$ 這條鏈中的每一層都使用不同單位： - 行為層：accuracy、reaction time、choice、error、information throughput； - 認知模型層：belief update、evidence accumulation、elementary cognitive operation、value of computation； - 神經編碼層：spike count、spike timing、population pattern、mutual information、decoding accuracy； - 細胞層：action potential、synaptic event、membrane integration、plasticity event； - 物理實現層：ion flux、ATP、energy、heat、entropy production。 因此： $$ \boxed{ \text{Cognitive Unit} \neq \text{Neural Event} \neq \text{Information Bit} \neq \text{Physical Operation}. } $$ 本文主張，人腦研究真正值得 IPM 借用的不是某個固定「腦內 FLOP」，而是五個方法論原則： 1. **Level Separation**：不同描述層不可互相偷換； 2. **Latent Inference**：內部認知過程可由行為 proxy 與模型反推； 3. **Population over Atomism**：高階資訊通常由神經群體模式承載，而非單一神經元； 4. **Encoding–Decoding Duality**：需同時問「神經活動帶有什麼資訊」與「這些資訊能否支援行為」； 5. **Causal Perturbation**：相關性不足，必須透過干預、消融、刺激或其他擾動驗證功能貢獻。 本文首先借鑑 Marr 的三層分析： $$ \boxed{ \text{Computational} \rightarrow \text{Algorithmic} \rightarrow \text{Implementational}. } $$ 但 IPM 不直接照搬。Marr 的 implementational layer 對今天的智能物理計量過粗，因此本文擴張為： $$ \boxed{ L_4:\text{Task Achievement} } $$ $$ \boxed{ L_3:\text{Semantic / Cognitive Operation} } $$ $$ \boxed{ L_2:\text{Algorithmic / Representational Realization} } $$ $$ \boxed{ L_1:\text{Neural / Computational Physical Events} } $$ $$ \boxed{ L_0:\text{Thermodynamic Realization}. } $$ 第二，本文借鑑 resource-rational analysis。該傳統不只問「人是否理性」，而會定義 elementary mental operations，為操作分配時間與資源成本，再研究有限計算條件下哪些策略值得執行。這與 IPM 的： $$ \mu_I \rightarrow Cost(\mu_I) \rightarrow Value(\mu_I) $$ 結構高度相容。 第三，本文借鑑 psychophysics 與 diffusion decision model。心理學常不把 reaction time 直接視為「認知量」，而是從 accuracy、mean RT、RT distribution 等可觀察資料推斷 latent evidence accumulation、decision boundary、bias 與 non-decision time。這告訴 IPM： $$ \boxed{ \text{Internal Intelligent Operation} } $$ 不必完全可直接觀測， 仍可以透過： $$ \boxed{ \text{observable trace} + \text{constrained latent model} } $$ 進行計量。 第四，本文處理 neural coding。神經科學會使用： $$ \boxed{ \text{bits/spike} } $$ $$ \boxed{ \text{mutual information} } $$ $$ \boxed{ \text{population decoding accuracy} } $$ 來描述神經活動與 stimulus／behavior 之間的資訊關係。但這些量只是 neural code 的特性，不是「智能本身」。 尤其： $$ \boxed{ \text{bits/spike} \neq \text{cognitive bits}. } $$ 第五，本文強調 population coding。單一 neuron 的活動常無法唯一決定其高階功能；資訊可能分散於神經群體的 joint activity 中。因此： $$ \boxed{ \text{One Neuron} \neq \text{One Semantic Unit}. } $$ 這直接支持 Paper 02 對 $\mu_I$ 的 realization-independence 原則。 第六，本文提出 **跨層證據三角化（Cross-Level Triangulation）**： $$ \boxed{ \mathcal X_L = ( E_B, E_C, E_N, E_P ) } $$ 其中： - $E_B$：Behavioral Evidence； - $E_C$：Cognitive-Model Evidence； - $E_N$：Neural Evidence； - $E_P$：Perturbational / Causal Evidence。 只有當多層證據收斂時，我們才逐步提高： $$ Confidence( \mu_I^{obs} \approx \mu_I^{int} ). $$ 本文最後提出對 AI 的直接借鑑： $$ \boxed{ \text{Output Behavior} \rightarrow \text{Semantic-State Model} \rightarrow \text{Internal Computational Trace} \rightarrow \text{Physical Trace}. } $$ 也就是，不要求現在立刻看穿 Transformer 的每一個 latent state；而是像神經科學一樣，逐步利用： - behavioral task decomposition； - structured trace； - activation intervention； - ablation； - mechanistic probe； - hardware telemetry； 把語意層與物理層對齊。 本文終端命題為： $$ \boxed{ \textbf{ 人腦研究真正教給智能物理計量學的， 不是「一個 spike 等於多少智能」， 而是：當高階認知無法被直接觀察時， 可以透過多層代理、模型反推、群體編碼與因果擾動， 逐步建立認知與物理事件之間的可檢驗映射。 } } $$ --- # 1. 第一個結論：沒有公認的「最小人類認知單位」 認知科學有： - stimulus； - response； - choice； - cognitive operation； - memory item； - belief； - decision variable。 神經科學有： - spike； - burst； - synaptic event； - population pattern； - oscillation； - membrane potential。 資訊論有： $$ bit. $$ 物理學有： $$ Joule. $$ 但目前沒有可靠理由寫： $$ \boxed{ 1\ \text{cognitive operation} = k\ \text{spikes} } $$ 作為普適常數。 --- # 2. 這不是研究失敗，而是跨層問題的本質 同一個 cognitive function 可以由： - 不同腦區； - 不同神經群體； - 不同時間尺度； 共同實現。 而同一 neuron 也可能依語境參與不同功能。 所以： $$ \boxed{ \text{Functional Unit} \neq \text{Anatomical Unit}. } $$ --- # 3. Marr：先分層再連接 Marr 的經典區分： $$ \boxed{ \text{Computational} \rightarrow \text{Algorithmic} \rightarrow \text{Implementational}. } $$ 可以粗略理解為： - computational：系統解什麼問題？ - algorithmic：用什麼表示與程序解？ - implementational：由什麼物理基質實現？ --- # 4. 這個分層對 IPM 很重要 因為它阻止： $$ \boxed{ \text{task performance} } $$ 被直接等同： $$ \boxed{ \text{physical event count}. } $$ 也阻止： $$ \boxed{ \text{physical similarity} } $$ 被直接等同： $$ \boxed{ \text{functional equivalence}. } $$ --- # 5. 但 Marr 三層對今天不夠細 對智能物理計量而言，implementational layer 太大。 裡面至少還有： - neuron/network； - ion channels； - metabolism； - heat； - physical substrate。 因此 IPM 擴張成五層。 --- # 6. IPM 五層 $$ \boxed{ L_4=\text{Task Achievement} } $$ 測： - correctness； - quality； - decision success； - behavioral utility。 --- # 7. $L_3$：Semantic / Cognitive Operation $$ \boxed{ L_3=\mu_I\text{ layer}. } $$ 測： - belief update； - relation construction； - constraint resolution； - strategy change； - uncertainty restructuring。 --- # 8. $L_2$：Algorithmic / Representational Realization 處理： - evidence accumulation； - sampling； - search； - recurrent update； - representation transformation。 --- # 9. $L_1$：Neural / Computational Physical Events 在人腦： - spike； - synaptic event； - membrane dynamics； - population pattern。 在 AI： - tensor operation； - memory access； - routing； - interconnect event。 --- # 10. $L_0$：Thermodynamic Realization $$ \boxed{ L_0= ( Energy, Heat, EntropyProduction ). } $$ Paper 04 才正式處理這一層。 --- # 11. 第一條借鑑：不要越級等同 所以： $$ \boxed{ L_4\neq L_3\neq L_2\neq L_1\neq L_0. } $$ 可以映射，但不應直接等同。 --- # 12. 行為層：人腦研究最容易看到什麼？ 最容易觀測的通常不是 neural thought。 而是： - 正確／錯誤； - 反應時間； - 選擇； - 眼動； - 動作； - verbal report。 --- # 13. Reaction Time 不是認知操作本身 若： $$ RT=500ms, $$ 不能說： > 這個人做了 500 單位認知。 所以： $$ \boxed{ ReactionTime \neq CognitiveWork. } $$ --- # 14. 但 RT 是有價值 proxy 因為在 controlled task 中： $$ RT $$ 會隨： - stimulus difficulty； - decision threshold； - attention； - evidence quality； 系統性改變。 --- # 15. Accuracy 也不是全部 兩個人都： $$ Accuracy=95\%. $$ 但： $$ RT_A\ll RT_B. $$ 可能代表完全不同處理策略。 --- # 16. 所以心理學通常做多變量行為量測 $$ \boxed{ E_B= ( Accuracy, RT, RTDistribution, ErrorPattern, Choice ). } $$ --- # 17. Diffusion Decision Model 是漂亮例子 在 two-choice task 中，observable behavior 可被模型拆成 latent components。 --- # 18. 典型 latent variables 例如： $$ v=\text{drift rate} $$ 代表 evidence quality / accumulation rate。 --- # 19. Decision boundary $$ a=\text{decision threshold}. $$ 反映 speed–accuracy trade-off。 --- # 20. Starting point $$ z_0=\text{initial bias}. $$ --- # 21. Non-decision time $$ T_{er} $$ 包含 perception / motor 等非 decision accumulation 部分。 --- # 22. 關鍵不是 diffusion model 一定是真實神經機制 而是方法論： $$ \boxed{ \text{observable behavior} \rightarrow \text{constrained latent cognitive model}. } $$ --- # 23. 這就是 IPM 可以借的東西 我們現在看不到： $$ \mu_I^{int} $$ 不代表完全不能量。 可以先建立： $$ \mu_I^{obs}. $$ --- # 24. 第二條借鑑：Latent 不等於不可科學化 只要模型： - 有明確 observable prediction； - 有 competing model； - 可被 falsify； - 可接受 intervention； 就可以逐步提高可信度。 --- # 25. Resource Rationality：計算本身有成本 認知科學另一個直接相關方向是： $$ \boxed{ \text{Resource-Rational Analysis}. } $$ --- # 26. 它問的不是「完美理性者會怎麼做」 而是： > 在有限時間、有限記憶、有限計算下，什麼策略值得做？ --- # 27. 基本形式 定義一組： $$ c_1,c_2,\ldots,c_n $$ elementary mental operations。 --- # 28. 每個操作有成本 $$ Cost(c_i). $$ 可以來自： - time； - memory； - opportunity cost； - computation。 --- # 29. 執行操作有價值 因為： $$ c_i $$ 可能改變 belief， 進而改善 decision。 --- # 30. 因此可寫成 $$ \boxed{ ValueOfComputation = ExpectedImprovement - Cost. } $$ --- # 31. 這與 IPM 幾乎同構 Paper 02： $$ \mu_I $$ 就是我們的 elementary semantic operation candidate。 --- # 32. 但 IPM 再往下 Resource-rational cost 常是抽象 cost。 我們要進一步： $$ \boxed{ Cost(\mu_I) \rightarrow PhysicalTrace \rightarrow Joule. } $$ --- # 33. 第三條借鑑：操作成本必須和成果效用一起看 不能只問： > 花了多少計算？ 還要問： > 那次計算到底改善了多少結果？ 所以： $$ \boxed{ ComputationCount \neq IntelligenceValue. } $$ --- # 34. 從認知模型進入神經編碼 下一個問題： > 認知操作到底由什麼 neural activity 承載？ 神經科學不會直接回答： > 這一顆 neuron 就是 belief update。 --- # 35. Neural Coding 的核心問題 更常問： > 哪些 neural responses 與 stimulus / task variable / behavior 相關？ --- # 36. Encoding $$ \boxed{ Stimulus \rightarrow NeuralResponse. } $$ 研究： > 給定世界狀態，神經系統如何反應？ --- # 37. Decoding $$ \boxed{ NeuralResponse \rightarrow Estimate(Stimulus/Behavior). } $$ 研究： > 從神經活動能否重建外部變量？ --- # 38. Encoding 和 decoding 都重要 只有 encoding： 可能知道 neuron 對 stimulus 敏感， 但不知道 brain downstream 是否真的能利用。 --- # 39. 只有 decoding： 可能 decoder 很強， 但抓到的是相關資訊，不一定是腦真正使用的 code。 --- # 40. 所以： $$ \boxed{ Decodable \neq UsedByBrain. } $$ 這也是 AI mechanistic probe 必須注意的陷阱。 --- # 41. Information Theory 的角色 神經科學常用 mutual information： $$ \boxed{ I(S;R) = H(S)-H(S\mid R). } $$ 其中： - $S$：stimulus / task variable； - $R$：neural response。 --- # 42. 它問 神經反應 $R$ 對 $S$ 帶來多少 uncertainty reduction。 --- # 43. bits/spike 可以定義某些情況下： $$ \boxed{ \frac{ I(S;R) }{ N_{spike} }. } $$ --- # 44. 但這不是「一個 spike = 幾 bits 的思想」 因為它依賴： - stimulus ensemble； - time bin； - response definition； - neuronal population； - encoding assumptions。 --- # 45. 所以： $$ \boxed{ bits/spike \neq cognitive\ bits. } $$ --- # 46. 一個 spike 也不是固定資訊量 不同 neuron、task、context： $$ I_{spike}^{A} \neq I_{spike}^{B}. $$ --- # 47. 這跟 $\mu_I$ 的物理成本一樣 同類語意事件： $$ \mu_I $$ 在不同架構下也不會有固定 physical cost。 --- # 48. Population Coding 現代 neuroscience 很早就發現： $$ \boxed{ \text{information is often population-distributed}. } $$ --- # 49. 所以： $$ \boxed{ OneNeuron \neq OneVariable. } $$ --- # 50. 某個 stimulus value 可以由整個 population pattern 表示 $$ \mathbf r= (r_1,r_2,\ldots,r_n). $$ --- # 51. 這對 Paper 02 很重要 因為它支持： $$ \boxed{ SemanticUnit \neq SpecificNeuron. } $$ --- # 52. realization 可以是 distributed $$ \rho_N(\mu_I) = \{\text{population pattern over time}\}. $$ --- # 53. 神經編碼還有時間尺度問題 資訊可能存在於： - firing rate； - spike count； - precise spike timing； - burst； - population synchronization。 --- # 54. 所以 measurement resolution 會改變 code 若 time bin： $$ \Delta t $$ 不同， 得到的： $$ I(S;R) $$ 也可能不同。 --- # 55. 這與 Paper 02 的解析度相對性一致 $$ \boxed{ Minimality = Minimality(\delta,Task,Observer). } $$ 神經科學也沒有一個永恆固定的唯一觀察尺度。 --- # 56. Single-Neuron 到 Population-Neuron 的轉變 早期研究常看： $$ r_i(t) $$ 單一 neuron。 --- # 57. 大規模 recording 後 越來越常分析： $$ \boxed{ \mathbf R(t) = (r_1(t),\ldots,r_n(t)). } $$ --- # 58. 這能捕捉 single-cell level 不明顯的 information 也能做 single-trial decoding。 --- # 59. 第四條借鑑：不要把可計量的最小硬體單位誤認成功能最小單位 神經元容易數。 spike 容易數。 但： $$ \boxed{ EasyToCount \neq CorrectUnit. } $$ --- # 60. 這句對 AI 更重要 token 容易數。 FLOP 容易估。 但仍然不代表它們就是智能單位。 --- # 61. Behavioral Throughput：10 bits/s 的啟示 有研究以多種人類行為任務估計，人類可觀察行為資訊 throughput 約在： $$ \boxed{ 10\ bits/s } $$ 量級。 --- # 62. 而 sensory input 的估計可高很多 約： $$ 10^9\ bits/s $$ 量級。 --- # 63. 這個差距很刺激 但不能解讀成： > 大腦只做 10 bits/s 的總計算。 --- # 64. 更合理： $$ \boxed{ \text{Behavioral Output Rate} \neq \text{Internal Neural Computation Rate}. } $$ --- # 65. 這正好對應 AI 一個模型最後只輸出： $$ 1000\ tokens $$ 不代表內部只做了 1000 個智能事件。 --- # 66. Output bottleneck 可以遠小於 internal dynamics 因此： $$ \boxed{ OutputRate \neq ComputationRate. } $$ --- # 67. 10 bits/s 更適合當什麼？ 它是一個： $$ \boxed{ \text{behavioral effective throughput proxy}. } $$ 不是 brain FLOPS。 --- # 68. 第五條借鑑：區分 throughput 與 work throughput 問： > 單位時間有多少可觀察資訊通過？ work 問： > 系統內部做了多少有效狀態轉換？ 兩者不是一樣。 --- # 69. Correlation 不等於 Causal Function 假設某 brain region 在做數學時亮起來。 不能立刻說： > 這裡就是數學模組。 --- # 70. 因為 activity 可以是： - upstream； - downstream； - correlated； - compensatory； - epiphenomenal。 --- # 71. 所以神經科學使用 perturbation 例如： - lesion； - TMS； - electrical stimulation； - optogenetics； - pharmacological perturbation。 --- # 72. 基本思想 $$ \boxed{ do(N_i=\tilde N_i) \rightarrow \Delta Behavior? } $$ --- # 73. 若干預神經活動後功能系統性改變 則 causal evidence 增強。 --- # 74. 但 perturbation 也不是完美 TMS 等技術可能： - 作用範圍廣； - 有 side effect； - state-dependent； - network compensation。 所以： $$ \boxed{ Perturbation \neq PerfectLocalization. } $$ --- # 75. 這個謹慎態度對 AI 很重要 activation ablation 之後輸出變差， 也不表示： > 那個 activation 就是完整概念本體。 --- # 76. 我們只能說 $$ \boxed{ \text{it has causal relevance under this intervention}. } $$ --- # 77. Causal Chain 因此一個認知神經推斷至少要考慮： $$ \boxed{ Intervention \rightarrow NeuralChange \rightarrow CognitiveChange \rightarrow BehaviorChange. } $$ --- # 78. 中間每一步都有 confound 所以不能跳階。 --- # 79. 第六條借鑑：Cross-Level Triangulation 本文提出： $$ \boxed{ \mathcal X_L = ( E_B, E_C, E_N, E_P ). } $$ --- # 80. $E_B$：Behavioral Evidence 例如： - accuracy； - RT； - choice； - error profile。 --- # 81. $E_C$：Cognitive-Model Evidence 例如： - drift model； - memory model； - resource-rational model； - task decomposition。 --- # 82. $E_N$：Neural Evidence 例如： - spike train； - population representation； - EEG/MEG/fMRI； - neural decoding。 --- # 83. $E_P$：Perturbational Evidence 例如： - lesion； - stimulation； - causal manipulation。 --- # 84. 證據越收斂 越可以提高： $$ \boxed{ Confidence( CognitiveFunction \leftrightarrow NeuralMechanism ). } $$ --- # 85. 這比只看 correlation 更可靠 也比只看 abstract cognitive model 更可靠。 --- # 86. Cross-Level Consistency 若： $$ Model_C $$ 預測某 condition 會增加 evidence accumulation time， 行為 RT 真的改變， 神經 population dynamics 也以一致方向改變， 干預該 dynamics 又破壞 behavior， 那就是強跨層證據。 --- # 87. 這種結構對 $\mu_I$ 非常重要 未來我們要建立： $$ \boxed{ \mu_I^{obs} } $$ 不能只靠 verbal interpretation。 --- # 88. 應至少使用 $$ \boxed{ \mu_I^{obs} = F( Behavior, StructuredTrace, InternalProbe, Intervention ). } $$ --- # 89. 人腦研究也告訴我們：代理量不是恥辱 只要誠實標記： $$ \boxed{ Proxy \neq Ontology. } $$ --- # 90. reaction time 是 proxy 但不是 thought。 --- # 91. spike count 是 proxy 但不是 cognition。 --- # 92. mutual information 是 relation measure 但不是 meaning 本身。 --- # 93. decoding accuracy 是 accessibility measure 但不保證 causal use。 --- # 94. 這種 type discipline 是我們最需要借的 AI benchmark 最大問題之一恰恰是： $$ \boxed{ Proxy \rightarrow Ontology } $$ 偷換得太快。 --- # 95. 人腦跨層量測的第一種失敗：Reverse Inference 看到 region A active， 就說： > subject 正在做 function X。 --- # 96. 這通常不夠 因為 region A 可能參與很多功能。 --- # 97. AI 也有同樣錯誤 看到 head H 對某詞敏感， 不能直接說： > H 就是語法 head。 --- # 98. 所以： $$ \boxed{ Selectivity \neq Exclusivity. } $$ --- # 99. 第二種失敗：One-to-One Localization 高階 cognition 常不是一個位置。 --- # 100. 而是： $$ \boxed{ \text{distributed dynamics}. } $$ --- # 101. 所以 IPM 不應追求： > 找到「推理 neuron」。 --- # 102. 而應追求： $$ \boxed{ \text{semantic transition} \leftrightarrow \text{distributed realization trace}. } $$ --- # 103. 第三種失敗：把 information 當 meaning 若： $$ I(S;R)=2\ bits, $$ 只表示 $R$ 對 $S$ 含有資訊。 --- # 104. 不表示： > 這兩 bits 就是 2 units of understanding。 所以： $$ \boxed{ Information \neq Understanding. } $$ --- # 105. 第四種失敗：忽略觀測尺度 神經 code 在： $$ 1ms $$ 與： $$ 100ms $$ 時間窗可能完全不同。 --- # 106. AI 也是一樣 你可以按： - token； - layer； - block； - trajectory； - task； 切分。 得到完全不同 operation count。 --- # 107. 因此解析度必須明示 $$ \boxed{ Measurement = Measurement(\delta). } $$ --- # 108. 第五種失敗：把平均表現當單次認知 很多 neuroscience 結果來自： $$ trial-average. $$ --- # 109. 但人腦每次決策其實是 single trial 所以 population decoding 後來越來越重視： $$ \boxed{ \text{single-trial activity}. } $$ --- # 110. 這與 IPM 的 Single-Pass 問題高度相似 平均 100 次 rollout 很強， 不能代表： $$ Pass@1 $$ 很強。 --- # 111. 第七條借鑑：單次事件與平均性能必須分開 $$ \boxed{ EnsemblePerformance \neq SingleEpisodePerformance. } $$ --- # 112. 人腦研究與 AI 的對照表 | 人腦研究層 | 常用量 | IPM 對應 | 不可偷換 | |---|---|---|---| | Behavior | Accuracy / RT | $Q,T$ | RT ≠ intelligence work | | Cognitive model | latent operation | $\mu_I^{obs}$ | model ≠ internal truth | | Neural coding | spike / population code | internal trace | spike ≠ semantic unit | | Information theory | bits/spike, MI | semantic information proxy | bit ≠ meaning | | Perturbation | TMS / lesion | ablation / activation intervention | perturbation ≠ perfect localization | | Physical layer | ion / metabolism | hardware telemetry | physical event ≠ cognition | --- # 113. 所以 IPM 應該如何借？ 不是做「人工腦類比」。 --- # 114. 第一個可借原則：Level Separation $$ \boxed{ Task \neq SemanticOperation \neq Algorithm \neq PhysicalEvent. } $$ --- # 115. 第二個：Latent Inference $$ \boxed{ Observable + Model \rightarrow LatentEstimate. } $$ --- # 116. 第三個：Population Realization $$ \boxed{ SemanticFunction \leftrightarrow DistributedPattern } $$ 通常比 one-node mapping 合理。 --- # 117. 第四個：Encoding–Decoding Duality 不只問： > 內部有哪些資訊？ 還要問： > 這些資訊是否能被 downstream 利用？ --- # 118. 第五個：Causal Perturbation $$ \boxed{ Correlation \rightarrow Intervention \rightarrow CausalConfidence. } $$ --- # 119. 第六個：Multi-Scale Measurement 不同： $$ \delta $$ 下都要重新聲明單位。 --- # 120. 第七個：Single-Trial Discipline 不要只報平均。 --- # 121. 對 AI 的五層量測架構 現在可建立： $$ \boxed{ A_4=\text{Task Output} } $$ --- # 122. $A_3$：Semantic Reconstruction $$ \boxed{ A_3=\mu_I^{obs} } $$ 由： - proof step； - structured reasoning； - behavior change； 重建。 --- # 123. $A_2$：Internal Computational Mechanism 例如： - activation trajectory； - routing； - memory retrieval； - attention pattern。 --- # 124. $A_1$：Hardware Execution $$ \boxed{ ( Ops, Memory, Interconnect, DeviceTime ). } $$ --- # 125. $A_0$：Thermodynamic Trace $$ \boxed{ ( Energy, Heat, Entropy ). } $$ --- # 126. AI Cross-Level Triangulation 可以定義： $$ \boxed{ \mathcal X_{AI} = ( E_O, E_S, E_I, E_A, E_H ) } $$ --- # 127. $E_O$：Output Evidence 結果品質。 --- # 128. $E_S$：Semantic Evidence 可重建求解狀態改變。 --- # 129. $E_I$：Internal Trace Evidence latent / activation / routing。 --- # 130. $E_A$：Ablation / Intervention Evidence 移除或修改內部結構後的影響。 --- # 131. $E_H$：Hardware Evidence 真實設備 telemetry。 --- # 132. 對某個 $\mu_I$ 的可信度 概念上： $$ \boxed{ Conf(\mu_I) = F( E_O,E_S,E_I,E_A,E_H ). } $$ --- # 133. 這比只從 Chain-of-Thought 數步驟好很多 因為 visible reasoning： $$ \boxed{ \text{may not equal internal reasoning}. } $$ --- # 134. 同樣比只看 activation 好 因為： $$ Activation $$ 沒有 task semantics。 --- # 135. 最終要兩邊收斂 $$ \boxed{ SemanticEvidence \leftrightarrow PhysicalEvidence. } $$ --- # 136. 這就是 Physical Metrology 真正的跨層橋 不是找一個神奇單位。 而是建立： $$ \boxed{ \text{equivalence constraints} } $$ 讓兩層越來越對得上。 --- # 137. Measurement Confidence 應該是連續的 我們不應只有： > 找到了／沒找到 $\mu_I$。 --- # 138. 而是： $$ \boxed{ Conf(\mu_I)\in[0,1] } $$ 或至少分級。 --- # 139. IPM Measurement Grade 本文提出： ### Grade D — Behavioral 只有輸入輸出 proxy。 --- # 140. Grade C — Structured Semantic 已有可靠 task decomposition / semantic trace。 --- # 141. Grade B — Internal Correlation 已有 internal representation 對應。 --- # 142. Grade A — Causal Internal 已有 intervention / ablation 支持。 --- # 143. Grade A+ — Physical-Semantic Alignment 語意單位、內部機制與硬體 telemetry 可對齊。 --- # 144. 這種分級比假裝每次都知道模型內部發生什麼誠實 --- # 145. 對 Paper 02 的第一次修正 Paper 02 寫： $$ \mu_I^{obs} \approx \mu_I^{int}. $$ 現在應補上： $$ \boxed{ ApproximationStrength = F( CrossLevelEvidence ). } $$ --- # 146. 即： $$ \boxed{ Conf( \mu_I^{obs} \approx \mu_I^{int} ) \uparrow } $$ 當： - behavioral； - semantic； - internal； - causal； - physical； 證據收斂。 --- # 147. 這是我們從 neuroscience 真正借到的東西 不是神經元數字。 而是： $$ \boxed{ \text{triangulated epistemology}. } $$ --- # 148. 一個重要限制：生物腦不是數位電腦的慢版 不能因為： $$ Neuron \sim Unit $$ 就把： $$ Neuron \leftrightarrow ArtificialNeuron $$ 當等號。 --- # 149. 生物 neuron 有： - dendritic computation； - stochasticity； - nonlinear membrane dynamics； - neuromodulation； - plasticity。 --- # 150. 人工 neuron 通常只是抽象 mathematical operation 所以： $$ \boxed{ BiologicalNeuron \neq ANNNeuron. } $$ --- # 151. 同樣 spike 也不是 token $$ \boxed{ Spike \neq Token. } $$ --- # 152. 因此 Paper 03 的任務是借方法，不借本體 這一點必須固定。 --- # 153. 八個借用原則 本文總結成： $$ \boxed{ \mathcal B_N= ( B_L,B_P,B_M,B_D,B_C,B_S,B_T,B_G ) } $$ --- # 154. $B_L$ — Level Separation 跨層不可偷換。 --- # 155. $B_P$ — Proxy Discipline 代理量必須標記為 proxy。 --- # 156. $B_M$ — Model-Mediated Inference latent cognition 可透過模型估計。 --- # 157. $B_D$ — Distributed Realization 高階功能可由分散群體實現。 --- # 158. $B_C$ — Causal Perturbation 相關必須盡量補上因果證據。 --- # 159. $B_S$ — Scale Declaration 任何 operation count 都要聲明解析度。 --- # 160. $B_T$ — Trial Separation single episode 與 ensemble statistics 分離。 --- # 161. $B_G$ — Grounding Downward 最終必須能往物理層追。 --- # 162. 十二個 Canonical Invariants **Invariant 1** $$ \boxed{ CognitiveUnit \neq NeuralEvent. } $$ **Invariant 2** $$ \boxed{ NeuralEvent \neq InformationBit. } $$ **Invariant 3** $$ \boxed{ FunctionalUnit \neq AnatomicalUnit. } $$ **Invariant 4** $$ \boxed{ ReactionTime \neq CognitiveWork. } $$ **Invariant 5** $$ \boxed{ bits/spike \neq cognitive\ bits. } $$ **Invariant 6** $$ \boxed{ OneNeuron \neq OneSemanticUnit. } $$ **Invariant 7** $$ \boxed{ Decodable \neq CausallyUsed. } $$ **Invariant 8** $$ \boxed{ Correlation \neq CausalFunction. } $$ **Invariant 9** $$ \boxed{ Proxy \neq Ontology. } $$ **Invariant 10** $$ \boxed{ OutputRate \neq InternalComputationRate. } $$ **Invariant 11** $$ \boxed{ EnsemblePerformance \neq SingleEpisodePerformance. } $$ **Invariant 12** $$ \boxed{ BiologicalNeuron \neq ANNNeuron. } $$ --- # 163. 對 IPM 統一事件向量的擴張 Paper 02： $$ \mathfrak E'= ( Q, \mathbf N_{\mu}, U,G,I,L,R,S,T,E,V_{CST} ). $$ --- # 164. 現在加入 measurement confidence $$ \boxed{ \mathfrak E''= ( Q, \mathbf N_{\mu}, Conf_{\mu}, Grade_{\mu}, U,G,I,L,R,S,T,E,V_{CST} ). } $$ --- # 165. 因為同一個 $N_\mu$ 若只是 Grade D behavioral reconstruction， 與 Grade A+ physical-semantic alignment， 可信度不是同一級。 --- # 166. 這避免虛假精確 例如： > 模型執行了 12,431 次 $\mu_I$。 如果只有 behavior proxy， 這種精確度就是假的。 --- # 167. 更誠實應該說 $$ \widehat N_{\mu} \pm \text{uncertainty} $$ 並附： $$ Grade_{\mu}. $$ --- # 168. 結論：神經科學沒有給我們智能原子，但給了更重要的東西 如果我們原本希望從人腦研究找到： > 一個神經 spike 到底等於多少智能？ 答案令人失望： $$ \boxed{ \text{沒有這個普適換算。} } $$ 但這其實是更好的結果。 因為神經科學已經告訴我們，真正的智能計量不應建立在一對一神話上。 人類研究自己的方式更接近： $$ \boxed{ \text{Behavior} \rightarrow \text{Latent Model} \rightarrow \text{Neural Population} \rightarrow \text{Causal Perturbation} \rightarrow \text{Physical Mechanism}. } $$ 每一層都允許不同單位。 每一層都可以提供證據。 而真正強的理論，是讓這些證據彼此約束。 所以： $$ \boxed{ \textbf{ 跨層映射不是一次完成的等號， 而是一個逐步增加可信度的證據網路。 } } $$ 這直接修正了我們對 $\mu_I$ 的態度。 $\mu_I$ 不需要一開始就被直接「看見」。 我們可以先得到： $$ \mu_I^{obs}, $$ 再透過： - behavior； - structured reasoning； - internal probes； - intervention； - hardware telemetry； 逐步提高： $$ Conf( \mu_I^{obs} \approx \mu_I^{int} ). $$ 因此，IPM 不需要等到 mechanistic interpretability 完全成熟才開始。 它可以像認知神經科學一樣： $$ \boxed{ \text{measure partially} \rightarrow \text{model explicitly} \rightarrow \text{intervene causally} \rightarrow \text{ground physically}. } $$ 這才是本文真正從人腦研究借來的方法。 而下一步，自然就是繼續往下。 我們現在已經知道： - cognition 不能直接等於 spike； - spike 可以承載 information； - population coding 比單神經元更重要； - causal perturbation 可以提高功能定位可信度。 但還沒有回答： > 這些神經事件最後到底花多少能量？ 也就是： $$ \boxed{ \textbf{ 怎麼從 spike、synapse、membrane dynamics， 一路算到 ATP、Joule、heat 與 thermodynamic bound？ } } $$ 這就是 Paper 04。 --- ## 文獻基礎 [1] Marr, D. (1982). *Vision: A Computational Investigation into the Human Representation and Processing of Visual Information*. [2] Griffiths, T. L., Lieder, F., & Goodman, N. D. (2015). Rational use of cognitive resources: Levels of analysis between the computational and the algorithmic. *Topics in Cognitive Science*, 7(2), 217–229. DOI: 10.1111/tops.12142. [3] Lieder, F., & Griffiths, T. L. (2020). Resource-rational analysis: Understanding human cognition as the optimal use of limited computational resources. *Behavioral and Brain Sciences*, 43, e1. DOI: 10.1017/S0140525X1900061X. [4] Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. *Neural Computation*, 20(4), 873–922. DOI: 10.1162/neco.2008.12-06-420. [5] Love, B. C. (2015). The algorithmic level is the bridge between computation and brain. *Topics in Cognitive Science*, 7(2), 230–242. DOI: 10.1111/tops.12131. [6] Borst, A., & Theunissen, F. E. (1999). Information theory and neural coding. *Nature Neuroscience*, 2, 947–957. DOI: 10.1038/14731. [7] Quian Quiroga, R., & Panzeri, S. (2009). Extracting information from neuronal populations: Information theory and decoding approaches. *Nature Reviews Neuroscience*, 10, 173–185. [8] Pouget, A., Dayan, P., & Zemel, R. (2000). Information processing with population codes. *Nature Reviews Neuroscience*, 1, 125–132. [9] Timme, N. M., & Lapish, C. (2018). A tutorial for information theory in neuroscience. *eNeuro*, 5(3). DOI: 10.1523/ENEURO.0052-18.2018. [10] Zheng, J., & Meister, M. (2025). The unbearable slowness of being: Why do we live at 10 bits/s? *Neuron*. DOI: 10.1016/j.neuron.2024.11.008. [11] Bergmann, T. O., & Hartwigsen, G. (2021). Inferring causality from noninvasive brain stimulation in cognitive neuroscience. *Journal of Cognitive Neuroscience*, 33(2), 195–225. DOI: 10.1162/jocn_a_01591. [12] Bradley, C. et al. (2022). State-dependent effects of neural stimulation on brain function and cognition. *Nature Reviews Neuroscience*, 23, 459–475. --- ## 系列路徑 1. **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** 2. **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** 3. **Paper 03｜從認知到神經元：人腦如何跨層測量智能計算** 4. **Paper 04｜從神經元到焦耳：智能計算的能量、熱力學與物理下界** 5. **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** 6. **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** 7. **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** 8. **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** 9. **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** 10. **Paper 10｜一個答案值多少物理世界？：智能產率的統一計量框架**