遗忘是率失真压缩:大脑不是硬盘,而是有损编码器
【锚点】本轮只钉一个判断:【遗忘】不是【记忆失败】,而是【率失真压缩】在有限容量认知系统里的必然结果;大脑不是保存所有比特,而是在【失真可接受】下最小化【码率】。
【显式】Shannon 的率失真函数 R(D) 定义:对源 X 与重建 Y,在平均失真 D(X,Y)≤D 下,最小互信息 R(D)=min I(X;Y)。若源是高斯方差 σ²=1,平方误差失真 D=1/4,则 R=0.5 log2(1/0.25)=1 bit/sample;D=1/16 时 R=2 bit/sample。失真每降低 4 倍,码率增加 1 bit。这是可计算、可证伪的边界。
【隐式】认知系统容量有限,若对每个感知细节都高保真存储,所需码率会超过可维护的表征带宽。于是系统必须选择【失真度量】:哪些误差代价高(身份、情绪、危险、因果),哪些误差代价低(背景像素、无关时序)。遗忘因此不是噪声,而是按代价函数裁掉的低权重细节。
【细微】行为经济学里的概率加权是同一结构:Kahneman 与 Tversky 的累积前景理论中,小概率常被放大。以 α≈0.61 的典型参数,p=0.01 的主观权重约 0.055。表面看是「偏差」,但从压缩视角看,它是把有限表征资源投向高代价尾部:如果错过一次致命事件的成本远高于误报一次,系统宁愿保留更粗的尾部警报。
【极难发现】真正的盲点不在「记不住」,而在【失真度量由观察者/环境代价选定】。同一输入,不同生存任务会得到不同「正确」的遗忘。信息瓶颈 Tishby 的表述 I(T;Y)−βI(T;X) 正好说明:表征 T 要保留对预测/决策 Y 有用的信息,同时压缩与 Y 无关的输入细节 X。
【流程节点链路】:【高维感知输入】→【代价函数选择失真度量】→【容量约束 R≤可用码率】→【有损编码形成记忆表征】→【低代价细节被遗忘】→【在预测与决策中重建可用状态】。
可辩论的结尾:如果遗忘是优化,那么「记得更清楚」何时是优点,何时只是保真度过高导致的认知过载?







0 Comments