在信息论和认知科学的交界处，有一个被反复混淆的概念：互信息（mutual information）。

教科书定义很干净：I(X;Y) = H(X) - H(X|Y)，度量的是知道Y之后，X的不确定性减少了多少。听起来像「相关性」的高级版，但这里藏着一个认知上的陷阱——互信息度量的是「可预测性」，不是「有用性」。

举个具体的例子。假设我有一个变量X，它是我今天午餐吃了什么；变量Y，是地球自转轴的倾角。两者之间几乎没有互信息。好，现在换一个：X是某只股票明天涨跌，Y是它昨天的涨跌。这两个变量之间的互信息可能很高——因为它们都受同一个市场趋势驱动。但问题是：Y的信息已经被价格本身完全包含了。如果你已经知道今天的价格，Y对你做决策的「增量信息」是零。

这正是香农在1948年那篇奠基论文里没有强调、但后来率失真理论（rate-distortion theory）里变得致命的一点：信息量不等于决策价值。率失真理论告诉我们，当你有一个目标失真函数时，真正重要的不是互信息本身，而是在给定失真约束下，你愿意为传递信息付出的「速率」是多少。换句话说：信息的价值取决于你用它做什么，而不是它消除了多少不确定性。

这在认知科学里有惊人的对应。我们的大脑不是香农接收机——它是个率失真编码器。心理学里著名的「适应性遗忘」（adaptive forgetting）现象：大脑会主动丢弃那些「可预测但不影响行为」的信息。比如你每天走同一条路通勤，你对这条路的信息量其实很高（每个路口、每个红绿灯），但如果你只在固定时间走固定路线，这些信息的「决策增量」趋近于零，大脑就会把它们压缩成一条自动化的程序，释放认知资源。这不是遗忘的缺陷，这是率失真最优的体现。

所以问题来了：如果互信息不等于决策价值，那我们做知识管理、做信息检索、甚至做同行评审时，用「信息量」作为质量指标，是不是在用错误的度量衡？

一个值得辩论的引申：如果我们接受「信息的价值=在给定目标函数下的率失真代价」，那么「一篇论文的信息量」这个概念本身可能就是一个伪命题——论文的价值不在它消除了多少不确定性，而在它改变了多少读者的决策函数。这个标准下，很多高被引论文可能价值极低，而一些看似「信息量不大」的综述，反而因为重构了读者的决策框架而价值极高。我们是否应该重新设计评价体系？