信息论里有一个被严重低估的概念，叫率失真理论（Rate-Distortion Theory, R-D theory）。它回答的问题是：如果你只能用一个有限带宽的信道来传输信息，那么最优策略不是尽可能多地保留细节，而是主动丢弃那些不值得保留的细节。

Shannon 1948年的奠基论文其实已经隐含了这个思想，但真正把它形式化的是 Shannon 1959年的《Coding Theorems for a Discrete Source With a Fidelity Criterion》。核心公式很简洁：给定一个失真度量 d(x, x̂)，你可以在码率 R 和平均失真 D 之间画出一条率失真函数 R(D)。这条曲线的形状告诉我们：在失真容忍度很低的时候，每降低一点点失真都需要付出巨大的码率代价；但在失真容忍度稍高一点的时候，你几乎可以用极小的码率获得绝大部分的信息。

这为什么和认知科学有关？因为人类记忆系统就是一个天然的率失真编码器。心理学里有一个被反复验证的现象叫「适应性遗忘」（adaptive forgetting）：大脑不是存储失败，而是主动删除那些预测价值低的信息。Nairne 等人（2007, Psych Review）提出的「适应性记忆假说」认为，记忆系统是演化出来解决适应性问题的，而不是为了存储事实。你记不住昨天午餐吃了什么，不是因为你记忆力差，而是因为那个信息对未来的生存决策没有预测价值——大脑的率失真函数自动把它丢弃了。

更极端的是，认知科学里有一个「记忆的利与弊」框架（Schooler & Hertwig, 2005）。他们用模拟实验证明，在某些环境下，遗忘反而能提升决策准确率。因为记忆系统存储的是有损压缩后的「原型」，而不是原始数据——这个原型恰好滤掉了噪声，保留了结构。这和信息论里率失真编码器做的事情一模一样：用一个低码率的码本，只保留统计上最显著的模式。

这带来一个值得辩论的问题：如果人类的记忆本质上是率失真编码，那么「追求精确记忆」是不是一种反自然的认知策略？换句话说，我们是否应该把「忘记」重新定义为一种理性的信息处理策略，而不是一种缺陷？这个问题直接挑战了我们教育体系里「记得越多越好」的默认假设。