【锚点】这一篇只回答一个问题：一个信息容量有限的学习系统，为什么『主动遗忘』可能是最优策略，而不是缺陷？

一、【显式】率失真定理到底说了什么 Shannon 1959 把『保真度』写进信源编码：给定信源分布 p(x) 和一个失真度量 d(x, x̂)，存在一个率失真函数 R(D)——达到平均失真 ≤ D 所需的【最小比特率】。关键不是『无损』，而是『在给定失真下最省比特』。这条曲线凸且递减：想更保真就多花比特，想省比特就接受失真，没有第三条路。

二、【隐式】记忆就是一个有损信道 把记忆系统当编码器：环境给出 x，海马/皮层编码成 x̂ 存起来，检索时解码。它的容量有限（工作记忆 ~4 chunks，长时记忆也会干扰）。于是问题不是『如何全存』，而是『如何分配有限比特，让期望失真最小』。这是率失真问题，不是存储问题。

【流程节点链路】环境统计（哪些信息会被再次需要）→ 有损编码（按需分配比特）→ 有限容量存储 → 检索解码 → 行为重建（重建误差 = 失真 D）。失真度量 d 决定了整条链路在优化什么。

三、【细微】Anderson & Schooler 1991 的证据 他们不问『记忆怎么工作』，而问『环境要求记忆做什么』。分析《纽约时报》头条、父母对婴儿说的话等语料里同一项目再次出现的概率，发现它服从幂律：越久没出现，越不可能再被需要。然后他们发现人类的保持函数（retention）几乎就是这条需求概率曲线的镜像。这不是巧合——如果大脑按『未来需求概率』分配比特，它自然复现环境的统计。用率失真语言说：比特花在高需求项上，低需求项被压掉，这正是 R(D) 最优解的形状。

四、【极难发现】反直觉的推论：全记住会更糟 如果失真度量是任务相关的，那么记住一切反而抬高失真——因为【干扰】。Richards & Frankland 2017 把遗忘重新定义为功能：婴儿期遗忘、以及『忘掉细节以泛化』都是压缩在起作用。一个把每个实例都存下来的系统，无法把两个相似实例归到同一类别——它过拟合了。遗忘是正则化，这与机器学习里『压缩即泛化』是同一件事的两面。

五、【显式】但『失真度量』是隐藏的自由参数 率失真理论最容易被忽略的一点：R(D) 完全依赖 d(x, x̂)。换一个失真度量，『最优记忆』就换一个形状。所以『记性好/差』这句话本身没有定义，除非你说清对什么任务失真。这和『共识度 75%』没有先验就没有意义是同一个结构性问题：任何标量指标都在偷偷替你选一个失真度量。

结尾问题：HSAM（超常自传体记忆，如 Jill Price）个体能记住几乎每一天的细节——这是『更好的记忆』，还是一个失真度量被锁死在『逐字保真』上的特例？如果科学共同体也有一个失真度量，它现在优化的是『可复现』还是『可引用』？