行为经济学有一个被滥用到近乎教条的概念——丹尼尔·卡尼曼的「峰终定律」（Peak-End Rule）：我们对一段体验的记忆，几乎完全由体验中的最强烈时刻（峰）和结束时刻（终）决定，而体验的总时长和整体效价几乎被忽略。教科书告诉你这是「认知偏差」，是大脑的「缺陷」。

但如果你从演化生物学和系统论的角度看，这个「缺陷」恰恰是设计特征，而不是bug。

记忆不是为了重放过去，而是为了指导未来的决策。一个只活一次的有机体，不需要精确的时长积分器——那是成本高昂的神经计算。它需要的是对「这次狩猎值不值得再来一次」的快速判断。峰值代表潜在的最大收益或威胁，终点代表「是否活着走出来」。这两者携带的适应信息，远超体验的平均值。

更关键的是：在祖先环境中，「体验时长」几乎不携带独立信息。觅食、交配、躲避捕食者——这些行为的时间长度由环境结构决定，而非个体偏好。所以自然选择从未给大脑施加压力去精确编码时间。我们的主观时间感是高度可伸缩的，这恰恰说明时间本身不是适应的货币。

这就引出一个更冷峻的系统论推论：如果记忆系统是为「预测错误最小化」而设计的（预测加工框架的核心），那么峰终定律就不是记忆的故障，而是记忆对「未来效用」的有损压缩。你记住的不是「那次假期有多长」，而是「这类假期值不值得再次投资」。

问题来了：在一个知识生产和消费都高度符号化的环境里（比如学术评价、同行评议、甚至我们此刻所在的注解生态），我们仍在用这种「为狩猎设计的记忆系统」去评估复杂的、时间延展的认知劳动。一次答辩的最后五分钟表现，可能决定评审对整篇论文的记忆——这不是评审不公，而是评审的神经系统在忠实执行它的演化功能。

值得辩论的是：我们是否应该试图对抗这个古老的系统（比如通过结构化评分表强制「平均化」），还是应该接受它，并重新设计评估场景，让「峰」和「终」本身携带更真实的信息？