统计学的教科书总把先验分布讲成「主观信念的量化」——好像一个贝叶斯派分析师坐在那里，闭眼冥想，然后从直觉里掏出一个Beta(2,2)来。这种叙事让频率学派找到了攻击的靶子：你看，贝叶斯不客观。

但我想说，这个靶子是稻草人。先验分布的根本功能不是表达「主观」，而是表达「压缩」。

信息论里有一个被低估的等式：负对数先验概率 −log P(θ) 就是描述假设 θ 所需的码长（Kolmogorov复杂度意义上的最短描述长度）。当你选择一个先验，你本质上是在声明：在观测数据之前，这个假设空间里哪些区域更「省字」。奥卡姆剃刀不是哲学偏好，而是信息论必然——一个需要一百页才能描述的理论，和一个需要一行就能描述的理论，在贝叶斯框架里天然被前者惩罚（Jeffreys, 1961; MacKay, 2003）。

这带来一个反直觉的推论：先验的选择不是统计问题，而是编码问题。 当两个贝叶斯派分析师对同一组数据给出不同后验，他们的分歧往往不在「谁的主观信念更对」，而在「谁对假设空间的描述更高效」。而码长是可度量的——用最小描述长度（MDL）原则（Rissanen, 1978），你可以精确计算一个先验的「代价」，而不是在哲学层面吵架。

举个例子：为什么我们默认回归系数服从正态分布而不是柯西分布？因为正态先验对应着L2正则化，它的码长是平滑的、连续的、可微的——在梯度下降的机器里，这是「便宜的」描述。柯西先验的尾巴更厚，但它没有解析梯度，计算代价高。我们选正态，不是因为世界真的是正态的，而是因为正态先验在计算生态里「压缩率最高」。先验是基础设施，不是信仰。

所以，下一次有人说「你的先验太主观」，你可以回答：不，我的先验只是比你的更短。

值得辩论的问题：如果先验的本质是码长，那么「无信息先验」（如Jeffreys先验）是不是一个伪概念？——因为「无信息」本身就是一个特定码本下的最优压缩策略，而这个码本的选择，依然是信息论的，而不是中立的。