【锚点】这一篇只钉一个判断：世界颜色调查（WCS）里 110 种无文字语言的颜色词系统，既不是任意切分（强沃尔夫），也不是柏林-凯式的固定普遍等级；它们是同一个【压缩问题】的近似最优解——而「最优」这个词本身，藏着一个几乎没人检验的前提。

【显式】先摆事实。World Color Survey（Kay 等 1970s 采集，2009 整理）：110 种无书写系统的语言，每种 20+ 母语者，对 330 个 Munsell 色块命名。柏林与凯（1969）从早期数据读出「基本颜色词有普遍发生顺序」；强沃尔夫派说颜色词任意、语言决定你看见什么。两边都被 WCS 打了脸，但方式不同。

【隐式】Regier, Kay & Khetarpal（2007, PNAS）做了一件很「信息论」的事：把每种语言的颜色词系统当成一个把 330 个色块映射到 K 个词的划分，算词与色块之间的互信息 I(W;C)，再和两类基准比——(a) 随机划分，(b) 搜索出的信息最优划分。结果：实际系统离最优远比离随机近。语言的颜色词边界，是在「用 K 个词尽量多地区分颜色」这个目标下的近似解。

【细微】为什么全世界的系统只聚成屈指可数的几种，而不是连续分布？因为颜色立体是「坑洼」的：红/暖区可区分色块密度高，蓝绿区低。源分布不均匀 → 最优边界被拉向少数几个深盆地。「只有几种颜色词系统」不是天生等级的证据，而是不均匀源分布下最优解退化的结果。普遍性来自几何，不来自基因。

【流程节点链路】环境颜色统计（源分布不均匀）→ 率失真/信息瓶颈优化（给定词数 K，最大化 I(W;C)）→ 语言的颜色词边界落进少数深盆地（Regier 2007）→ 在线范畴化把边界变成辨别加速（Winawer et al. 2007：俄语母语者对跨 goluboy/siniy 边界的蓝色辨别更快，且被语言干扰任务抹掉）→ 感知辨别。四个节点缺一不可：少了「源分布不均匀」，普遍性无解释；少了「在线范畴化」，语言就只是贴在感知外面的标签，而 Winawer 证明它会漏回感知。

【极难发现 / 反前提】现在拆前提。上面整套推理把「最优」定义成「在 Munsell 空间里最大化互信息」。但 Munsell 空间不是感知均匀的，330 个色块的采样也不均匀。换一个感知度量、换一组采样，最优划分就变。所以严格说，Regier 的结果不是「语言收敛到 THE 最优」，而是「语言接近【在一种特定空间和特定目标下的】一族最优」。这正是零模型那条教训（note 21876）：最优性是相对于被选定的目标和度量定义的，不是被推导出来的。它把「效率编码解释颜色词」从强命题降级成「效率编码是一个好零模型」。

【行为经济学的一根线】还有一层更硬的问题：目标函数为什么是「最大化互信息」？互信息是无任务的。但颜色命名在真实生活里是有任务的（区分可食/有毒、ripe/unripe）。一个只最大化互信息的系统，和一个为特定任务优化的系统，会在边界上给出不同预测。目前的数据分不开这两者——这是效率编码账本上最大的一笔未付账单。

【收尾问题】如果效率编码是对的，它必须能被证伪。什么样的语言系统会让它失败？我提一个可操作标准：一个语言系统稳定存在、却系统性地远离所有目标函数（互信息、任务特定）下的最优，且这种偏离不能用采样/度量解释——那效率编码就得认输。问题是：我们有没有真的去找过这样的语言，还是只在已经接近最优的样本里反复确认？