Joules-to-GDP 把 AI 工作價值換成每焦耳回報，模型排行翻盤

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

論文 arXiv 2610.30858 在 2026 年 11 月 2 日更新到第二版，同一天，研究程式碼以 HazyResearch/joules_to_gdp 之名在 GitHub 公開，Hugging Face 上的資料集也同步翻新。11 月 4 日晚間（台北時間 11 月 5 日凌晨），共同作者 Jon Saad-Falcon 在 X 發文，正式向外界介紹這套名為 Joules-to-GDP（簡稱 J2G）的評估框架。它回答的問題只有一個：同樣一焦耳的能源，交給 AI 系統能換回多少有價值的工作成果。

研究由 Hazy Research 與 Scaling Intelligence Lab 團隊主導，作者來自史丹佛大學、加州大學柏克萊分校與德州大學奧斯汀分校，延伸資料集則與資料標註公司 Snorkel AI 合作整理，算力由 Modal、Google Cloud、IBM Research 與 Stanford HAI 等單位支援。對一般讀者來說，這份研究最值得記住的地方很具體：把能源放進分母之後，哪些工作值得交給 AI、哪個模型划算、該裝幾張 GPU，三個答案都可能跟原本的想像相反。

Pin

v2 對照 v1：專家加 AI 的發現升上摘要，83 項任務資料集定名 GDPWorks

拿 10 月 22 日的第一版論文與 11 月 2 日的第二版對照，實驗內容沒有重做，動的是重點與定名。專家加 AI 的對照分析與 83 項延伸任務在第一版本文與附錄裡就已存在；第二版把這組結果升格寫進摘要，成為第四個正式發現：當評分參考對象從「不借助 AI 的專家成果」換成「用 AI 完成的專家成果」，表現最好的 GLM 5.2 每單位能源淨值下降約 70%，每單位能源節省工時下降約 65%。摘要裡的另一頭，兩版都收錄職業排行重排、最強模型每焦耳回報未必最高、硬體型別差異大與堆卡邊際回報有限這幾類結論。

隨第二版同日上線的還有公開的程式與資料。論文附錄 N 的 GDPWorks 資料集在第二版正式定名，包含 83 項新增職業任務與 36 個額外職業，放在 Hugging Face 的 ScalingIntelligence/joules-to-gdp 資料集裡，每一項都附請求內容、評分規則、原始檔案、專家單獨與專家加 AI 的交付成果以及時間標註。GitHub 程式庫同日建立，採 Apache-2.0 授權，README 附上不依賴模型伺服器就能跑的煙霧測試，用來驗證能源分攤、任務估值、執行成本與兩個指標的計算邏輯。換句話說，這次更新把「每焦耳回報」從論文裡的數字，變成別人可以下載、重算、挑戰的一套方法。

Pin

Pin

兩個指標的算法：淨值除以能源，省下工時除以能源

框架的核心是兩個除法。淨值每焦耳（Net Value per Joule，NVJ）先把 AI 產出的美元價值減去執行成本，再除以量到的能源，單位是美元每百萬焦耳。省時每焦耳（Time Saving per Joule，TSJ）則用專家原本需要的工時減去 AI 完成時間，再除以能源，單位是小時每百萬焦耳。一個看錢，一個看時間，同一批數字可以從兩個角度讀。

價值端不是憑感覺。研究採用 OpenAI 的 GDPval 職業任務基準，220 項公開任務涵蓋 44 種職業，每種職業 5 項，分布在美國 9 個經濟部門，彙總時按部門 GDP 與就業加權。每項任務都有專家參考成果與記錄好的完成時間，研究用該職業薪資中位數乘上專家工時來估計成果價值，再由評審判斷 AI 產出是否達到參考水準。只有過關的成果才計入價值與省時；失敗或逾時的嘗試一樣會吃掉能源與成本，留在分母與成本裡。這個設計會懲罰大量無效輸出，比只看單次成功率的算法更貼近部署者實際要付的帳。

能源端的量測範圍是整個執行窗。研究用具備讀值功能的 Intelligence per Watt 工具，加總 GPU、CPU 與 DRAM 的能耗，時間從每批任務啟動前量到全部結束，涵蓋推論、工具呼叫與等待。實際服務常同時處理多個請求，研究以 20 個請求一批的方式併發執行，共用能源按各請求活躍時間分攤，閒置部分只計一次。執行成本則依記錄的設備配置與公開價格估算，適用時加上儲存與傳輸費用；外部 API 費用、長期儲存、專家審核、開發協調與採用成本都不計入，這些留給更完整的部署評估。把帳算到每一次交付、而不是算每個人頭，這個思路與企業端 AI 帳單從人頭計價走向工作量計價的方向一致。量測窗之外的階段，例如模型訓練，也不在這條能源邊界內。

單位可以換算成生活感：一百萬焦耳約等於 0.278 度電；一張 H200 以 700 瓦跑一小時約 2.52 百萬焦耳，相當於筆電連續使用約 23 小時。用固定物理單位的好處，是讓設備效率與電價波動脫鉤，不同機房、不同費率下的結果可以互相比較。

能源放進分母，職業排行整組重排

職業層的翻盤最有代表性。論文量到的數字顯示，以 GLM 5.2 搭配 OpenHands 工具框架跑全部任務，建築與工程類工作（論文舉的例子是 CAD 設計）每次任務的淨值，比軟體開發類（例如架網站）高約 10%；可是把能源除進去之後，軟體開發類每百萬焦耳的淨值反而高約 27%。任務本身比較值錢，與任務換能源比較划算，是兩回事。

排行榜的龍頭也會換人。以成功率與勝率和計，個人照護與服務類排在前面；一旦改用每百萬焦耳來看，領先的是保全服務類。生產類工作是另一種錯位，淨值每焦耳輸給保全服務約 20%，省時每焦耳卻高出約 23%，因為每次成功省下的專家工時特別多。取樣上也有一個要留意的限制：主基準裡每種職業只有 5 項任務，同一類組裡題型組合不同，排序就可能移動，沿用方法時最好換成自己實際要交付的工作組合。對部署者來說，這組結果的用處在於先確認自己的限制條件：機房電力固定時，該看同樣能源能完成多少有效工作；某項高價值工作必須完成時，還要看候選模型能不能達到所需品質，兩種需求可以同時存在，分流給不同配置。

五個開放權重模型對比：最高價值與最高能源效率分屬不同模型

模型比較的設定是五個開放權重模型全部本機部署，用 vLLM 推論引擎與 OpenHands 工具框架，換模型時任務、參考成果、評審與硬體都固定。五個模型是 GLM 5.2、Qwen3.6-27B、Gemma 4 31B、GPT-OSS 120B 與 GPT-OSS 20B。

研究量到的結果：GLM 5.2 拿下最高單次價值，平均每任務淨值 72.27 美元，能耗 0.430 百萬焦耳，約等於筆電連續使用 4 小時的電。Gemma 4 31B 用約 23% 的能源，拿到約 56% 的淨值，換算下來每焦耳淨值約為 GLM 5.2 的 2.5 倍，每焦耳省時約 2.8 倍。Qwen3.6-27B 的單次價值排第二。畫成未加權的效率前緣，Gemma 4 31B 站在低能耗端，GLM 5.2 站在高效益端；在產值前緣上，GPT-OSS 120B 落在兩者之間。用研究自己的話說，預設押最強模型，同一份能源預算能換到的總價值可能反而變少。

引用這組數字時有個必須帶著的但書：GLM 5.2 的 FP8 服務設定放不進其他四個模型共用的 8 張 H100 節點，因此它改用 8 張 H200，兩組硬體不同，模型間的差距不能全部歸因於模型本身。這個腳註本身就是框架想示範的事：模型、硬體與部署設定綁在一起，能源效率的比較要把條件攤開來講。

堆卡不划算：八張 H100 只省 22% 時間，用電卻變 3.24 倍

硬體數量的實驗固定 Qwen3.6-27B，從 1 張 H100 拉到 8 張。論文量到的結果是淨值幾乎相同，完成時間只減少約 22%，能源卻增加到 3.24 倍。在這個工作量與配置下，多出來的七張卡沒有換到等比例的任務回報。論文對這組數字的整理方式值得借用：一張 H100 的每焦耳淨值較高，八張的每 AI 小時產出較高，先想清楚自己要優化的是哪一個，再決定卡數。硬體型別的影響反而更大：四種單卡部署互相比較，每焦耳淨值相差可達 4.32 倍，每焦耳省時相差 9.27 倍，B200 兩項都領先。

這組數字與外部對 GPU 經濟學的追蹤指向同一個方向：卡不是有就好，閒置與低度利用的浪費，正在變成比採購更貴的問題，也有新創直接押注讓 GPU 不再空轉。對工程團隊的實際建議是，先找出正在擋交付的限制是什麼：如果單次延遲已經達標，繼續加卡多半只是讓資源用量上升；如果服務要吞大量併發請求，才需要另外量測整體吞吐。設備測試最好同時留下完成品質、時間、能源與併發量，只比每秒輸出多少字，看不到工具等待與失敗重試的真實成本。

當專家已經在用 AI，同一套分數掉七成

論文裡的另一組對照，把整個框架的解讀難度往上拉了一層，第二版更把它寫進摘要當成正式發現。論文記錄了兩種專家參考：一種是專家不借助 AI 完成，另一種是專家使用 AI 完成。用 AI 的專家平均快約 23% 交件，成果水準也更高。把評分基準從前者換成後者，維持 AI 的執行、成本與能源完全不動，GLM 5.2 的每焦耳淨值下降約 70%、每焦耳省時下降約 65%，打平或超越參考成果的頻率大約減半。

兩種參考的記錄範圍也不同：專家單獨的版本涵蓋任務設定、素材閱讀、執行與檢查；專家加 AI 的版本涵蓋設定、下提示、監看、審核與修正，連等待 AI 產出的時間都算進專家工時。論文把七成的降幅拆開：約 56.7% 來自參考判準變嚴，約 43.3% 來自可取代的工時變少。這個拆解對採用者的含意，比任何單一排行都重要：自動化的回報取決於你拿什麼現況來比。團隊裡的人已經熟練使用 AI 時，導入全自動代理的效益應該跟這個現況比較，直接引用以純人工為基準的評測數字，會高估能省下的工時，也低估品質門檻。反過來說，還沒把 AI 融入流程的組織，從同一份排行裡看到的機會就大得多。

誰該現在動手，誰帶走概念就夠

自己架推論服務的團隊，這次釋出的程式庫可以直接用：README 提供 uv 環境安裝、煙霧測試、vLLM 服務指南與能耗量測指南，從固定任務與固定設備開始，記錄從收到請求到停止的完整時間窗，失敗也留紀錄，就能算出自己的一組 NVJ 與 TSJ。這裡的步驟全部來自官方文件，實際跑出來的能源與成本數字，要用自己的任務組合驗證一輪才算數。

做評測或研究的人，GDPWorks 的 83 項任務正好用來檢查排行榜的穩定性：換掉少數題目後名次是否不動，估值與能源分攤規則是否站得住。Hugging Face 上的資料集標示為混合來源的 CC BY 4.0 條款，商用前要逐項確認個別任務的授權。

只用 API 服務、不自己架機器的使用者，框架暫時幫不上直接的忙：端到端能耗要有機房讀值才量得到，供應商不公布，分母就是空的。可以帶走的是思考方式，把「值多少錢的工作」除以「用了多少能源」當成選型問題，等供應商提供能耗資料再回來算。完全不碰代理部署的讀者，不需要任何動作，知道能源會讓排行翻盤，已經足夠應付下一輪模型選型討論。

還沒驗證的事，與這篇文章的保存期限

幾個範圍條件引用時要保留。主分析以每個設定一次任務執行計算，研究另外收了四次獨立執行做敏感度檢查，但重試策略對完成率與總能源的影響仍屬推論；批次併發的能源分攤規則是研究自訂的，換一套規則數字會移動。測試組合只有 OpenHands 加 vLLM 一種，其他代理框架、託管 API 服務與未來版本都沒有測。研究名稱裡的 GDP 指的是職業與經濟權重的框架命名，估值是薪資乘工時的代理數字，並非實測的國家產出。

時效方面，模型與晶片排行段落會隨新版本失效：arXiv 若出第三版、GitHub 程式庫有新的 release，或 GLM、Gemma、Qwen 家族有新模型發布，文中這組比較數字就該重查一次。以這類研究的節奏，建議把回查期限放在一個月內；指標的算法與邊界定義本身，則是這次釋出中最不會過時的部分。