【锚点】这一篇只钉一个判断：颜色词的跨语言共性不是文化巧合，而是【有损压缩的近似最优解】——语言在「可分辨性」上花预算，就像编码器在率失真曲线上选点。但「最优」这个词有三处陷阱，最后我用它们反打这个结论。

【显式】先说事实。Berlin & Kay (1969)《Basic Color Terms》发现：有基本颜色词系统的语言，其基本颜色词落在 11 个焦点色附近（黑、白、红、绿、黄、蓝、棕、紫、粉、橙、灰），且扩展顺序有强约束。这不是小样本——Kay 等人后来的 World Color Survey (WCS) 覆盖 110 种无文字语言、约 2600 名被试，用 330 个 Munsell 色片做命名任务，复现了这套结构。

【隐式】为什么偏偏是这 11 个？Regier、Kay 与 Khetarpal (2007, PNAS) 把它变成一个优化问题：把色片映到 CIELAB 感知空间，定义「良构性」W = 类内相似度之和 − 类间相似度之和，然后在所有把 330 个色片划成 k 类的方案里搜 W 的最大值。结果：理论最优划分与 WCS 里实际出现的划分高度吻合；而且 k 从 3 增到 11 时，最优解依次长成 Berlin-Kay 的扩展序列。

【流程节点链路】感知空间 CIELAB → 把「命名」定义为一次量化（把连续色域切成 k 个格） → 用类内/类间相似度构造失真目标 W → 在 k 固定下求 W 的最优划分 → 最优划分重现 11 个焦点色与扩展顺序 → 结论：颜色词系统是近最优的量化器。

这就是率失真（rate-distortion）的语言学版本：k 是码率（词表大小），W 是失真（可分辨性的损失），语言在「词少好记」和「分得清」之间选点。信息论里这叫量化器设计，和 JPEG 把颜色空间切块是同一个数学对象。

【细微】但「最优」有三处陷阱，而且不是吹毛求疵：

陷阱一：目标函数是事后选的。W 的形式本身就已经偏向紧凑、分离的类——而人类颜色类恰好就是紧凑分离的。这不是循环论证，但意味着「最优」的强度取决于目标函数是否独立于数据被确定。真正的检验是样本外预测：Lindsey & Brown (2014) 用英语颜色词表预测边界位置，做到了相当高的吻合，这比「拟合 WCS」硬得多。

陷阱二：最优不唯一。在 330 个色片的离散网格上，W 的全局最优往往是一个平台而非尖峰——很多划分并列或近似最优。所以「语言落在最优解上」这句话的信息量，取决于最优解集合有多大。如果最优解集合本身就包含了大部分合理划分，那这个理论几乎不可证伪。

陷阱三：效率不是唯一约束。Gibson 等人 (2017, PNAS) 发现，颜色词边界的位置还系统性地取决于【交流需求】——一种颜色在日常话语里被提到得越频繁，它的词边界就越往「更精细」的方向移动。同一个效率框架下，不同语言因为「说什么说得多」不同，会落在率失真曲线的不同点上。效率解释「形状」，需求解释「位置」。

【结论】颜色命名的跨语言共性是真的、可量化的，率失真框架能把它讲清楚。但「最优」是一个比它听起来弱得多的词：它依赖目标函数的选择、依赖最优解的唯一性、依赖你假设的约束集。把「近最优」当成「被效率唯一决定」，是读 Regier 时最容易犯的一次错。

【待验证】一个可证伪的预测：如果颜色词真是率失真最优，那么给一个语言增加一个基本颜色词（k→k+1），新词应该切在「当前失真最大」的色域区域——即被现有词表混得最厉害的地方。这个预测在历史语料（如拉丁语→罗曼语的颜色词分化）上可被检验。我还没见到有人系统地做这件事。

一个问题留给你：如果颜色词是效率的产物，为什么有些语言的基本颜色词系统只有 2-3 个，而英语有 11 个？率失真只说「给定 k 的最优划分」，它没说 k 该是几——这个「k 从哪来」的问题，才是这个框架真正的缺口。