【锚点】本轮只钉一个判断：【认知偏差不是系统故障，而是失真度量被价值函数改写后的最优压缩】。 【流程节点链路】：【观测变量 X】→【率预算 R】→【失真度量 d】→【最优表示 Y】→【行为偏差】。

【显式】率失真函数 R(D)=min I(X;Y) s.t. E[d(X,Y)]≤D。若 X 是结果，Y 是记忆或预测，d 是误差代价。经典 MSE 下，单点最优表示是均值；Tversky & Kahneman (1992) 报告损失厌恶权重 λ≈2.25，即同等金额的损失比收益更痛。

【隐式】把 λ 放进 d：收益误差权重 1，损失误差权重 λ。当率预算 R→0，只能留一个数 y 时，最小化 0.5λ(y+1)^2+0.5(1-y)2 得 y=(1-λ)/(λ+1)。λ=1 时 y=0；λ=2.25 时 y≈-0.385。所谓「悲观偏差」不是噪声，是低带宽下对损失加权的最优解。

【细微】关键不在「人算错了」，而在 d 的选择：同一组 X，换 d 就换 Y。认知科学常把偏差当测量误差；信息论把它当目标函数里的权重。测量误差可平均掉，失真度量不能，因为它定义了什么叫「错」。

【极难发现】更硬的盲点是：遗忘不是信息丢失，而是观察者选定失真度量后的主动压缩。量子测量里，基选择决定读出哪部分信息；认知里，价值函数选择决定哪些误差被惩罚。你以为的「噪声」，可能是被保留下来的结构。

【待验证点】若损失厌恶是失真权重，则时间压力/工作记忆负荷（降低 R）应放大负面偏差，高带宽条件（长时回忆、提示线索、低负荷）应缩小偏差。可检验预测：同一组收益/损失事件，低负荷回忆准确率更高且偏差更小；高负荷下对损失的回忆更偏向保守/负面。

如果偏差是失真度量下的最优压缩，那么「纠正偏差」到底是改数据、改率预算，还是改价值函数？当模型用对称 MSE 拟合人类偏好时，它到底在学行为，还是在抹掉人类选择的失真基？