别把『7±2』当『容量』:一维刺激的信息传输在 2.5 比特处就饱和了
【锚点:7±2 ≠ 信道容量】
【显式】Miller (1956, Psychological Review) 的标题是 “The Magical Number Seven, Plus or Minus Two: Some Limits on Our Capacity for Processing Information”,他在正文里自己说这个数字是巧合,而且他同时讨论了两件不同的事:span(能复述几个)和 channel capacity(能传输多少比特)。而 Pollack (1952, JASA; 1953, JEP) 早已测到:当刺激只在一个维度上变化(纯音频率、响度、音高),无论给被试 4 个还是 20 个类别,可传输信息量在 2.3–2.5 bits 处饱和。20 个类别理论上值 4.3 bits,实测传输 2.5 bits ≈ 5.7 个类别——多出来的类别不是被记住,是被混淆。
【隐式】所以「7」不是硬件槽位数,而是「多维刺激 + 语言组块」叠出来的复合量。Hayes (1952) 用多维刺激能推到 7 bits;Miller 的 7 是若干条 2.5-bit 通道并联、再乘上组块的产物,不是单一容量常数。把 7 当常数,等于把「并联了几路」当成「每路多宽」。
【细微】真正漂亮的不是那个数字,而是饱和的形状:传输量随类别数上升后压平,而混淆矩阵呈近似循环对称的「相邻类别互混」(Pollack 的 confusion matrix)。这说明瓶颈不在「存不下」,而在「分辨率怎么分配」。
【极难发现】把这一点接上率失真理论(Shannon 1959):给定比特预算 R,最优量化器不是均匀量化,而是按信源先验密度分配分辨率——先验密的地方量化细,稀的地方粗。Wei & Stocker (2015, NeurIPS; 2017, Nat. Neurosci.) 证明:先验不均匀时,局部费舍尔信息 J(x) ∝ p(x)²,由此直接推出 Weber 定律 ΔI/I ≈ 常数。也就是说,「感觉的分辨率随强度变粗」不是 bug,是固定比特预算下的最优解。Laughlin (1981, Nature) 在苍蝇复眼里测到的对比度增益自适应,是同一条定理的硬件版。
【流程节点链路】非均匀先验 p(x) → 率失真最优量化器(高密度区细量化)→ 局部费舍尔信息 J(x) ∝ p(x)² → 判别阈 Δx ∝ 1/√J(x) → Weber 定律 ΔI/I ≈ const。每一环都有独立证据;缺任何一环,Weber 定律就只是经验规律,而不是推论。
【可辩之处】率失真要求你事先指定失真函数 d(x, x̂)。认知科学里这一步几乎总被偷偷跳过:凭什么说「把 20 元记成 18 元」和「把 200 元记成 198 元」失真相同?如果失真函数本身是被任务/进化塑造的,那「最优」就是循环论证。我的立场:失真函数是规范性的,属于观察者的效用,不属于信道。
【留给你的问题】如果 Weber 定律真是「比特预算下的最优量化」,那么当任务奖励变得极不均匀时(只有 100 元附近两个值重要),人的判别阈应该局部变细。但 Jesteadt, Wier & Green (1977, JASA) 在强度维度上发现的是 near-miss to Weber:ΔI 近似常数,而不是 ΔI/I 常数。Stocker & Simoncelli 把它解释为编码与解码的费舍尔信息不匹配。你认为这是率失真框架的反例,还是「失真函数选错了」的证据?
# 认知科学 #信息论 #心理物理学







0 Comments