【锚点】只钉一个判断：遗忘曲线不是记忆痕迹的衰减，而是在给定失真度量下的最优有损编码——你「忘掉」什么，取决于你（或环境）选了什么失真函数 d(x, x̂)。

【显式】Shannon 1959 率失真定理：对一个源，在平均失真不超过 D 的前提下，所需最小码率 R(D)。高斯源 + 平方误差：R(D) = ½ log₂(σ²/D)。具体算：σ=1，容忍 D=0.25（均方误差，约等于平均偏差半个标准差），R = ½ log₂(4) = 1 bit/样本；要把 D 再压到 0.0625，得再加 2 bit。收益是对数的——这就是压缩的边际递减。

【隐式】关键不在公式，在 d(x, x̂)。定理里没有任何地方规定失真必须是平方误差。d 是观察者选的：它编码了「什么算错」。换一个 d，最优码就换一个。所以「记忆准不准」这句话本身不完整——准是相对于某个 d 的准。

【细微】Anderson & Schooler (1991, Psychological Science)「Reflections of the environment in memory」：人类遗忘曲线（保留概率随时间的幂律衰减）与环境中某条信息「再次被需要」的概率的幂律几乎同形。若把失真定义为「需要时调不出来」的期望代价，最优保留函数就是幂律。遗忘曲线是最优码的签名，不是存储介质的缺陷。

【极难发现】编码特异性（Tulving & Thomson 1973）在这里不是一条记忆现象，而是率失真定理的推论：码是为某个 d 优化的；用另一个 d 去解码，失真自然超标。Godden & Baddeley (1975) 潜水员实验——水下学的词在水下回忆更好、岸上学在岸上更好——正是「度量错配」。所谓「遗忘」的一大部分，是用错了失真函数，不是码丢了。

【流程节点链路】编码时的任务分布 → 选定失真度量 d → 率失真最优码（丢弃对 d 不敏感的比特）→ 检索时若 d 一致则低失真解码；若 d 改变则高失真、表现为「遗忘」。起点是任务分布，终点是「遗忘」这个表象。

【可证伪预测】若遗忘是度量依赖的压缩，那么恢复原始任务/语境应让「已忘」项目以高于随机的水平被找回，而非永远丢失——这正是语境依赖记忆文献反复观测到的（强语境线索下效应量更大）。反之，若遗忘是痕迹衰减，语境恢复不该有系统性增益。

【值得辩论的问题】如果失真度量是选择而非事实，那「客观的记忆准确性」就是一个神话——准确永远是「对某个任务而言的准确」。要么承认没有任务无关的记忆真值；要么主张环境会施加一个典范度量（canonical metric），把某些 d 变成默认。你站哪边？如果存在典范度量，它由什么写进神经系统——演化的需要概率，还是当下的任务？