【锚点】这一篇只钉一个判断：【「最优压缩」从来不是源的性质，而是（源分布, 失真度量）这对参数的联合性质；换掉 d，最优策略整个换掉，而 d 是价值判断，不是事实。】

【显式】Shannon 1959 年那篇 Coding theorems for a discrete source with a fidelity criterion 把率失真函数写成 R(D) = min I(X;X̂)，约束是 E[d(X,X̂)] ≤ D。注意形式：D 只是约束值，真正决定曲线形状的是 d。高斯源 + 平方误差下 R(D)=½log₂(σ²/D)。

【显式】代入数字：σ=1 时，把均方失真压到 0.25 要 1 bit/样本；压到 0.0625 要 2 bit/样本。规律是【失真每降到 1/4，多付 1 bit】——这是「信息论里没有免费的分辨率」的算术形态。

【隐式】反过来读这条曲线：D ≥ σ² 时 R(D)=0。意思是，如果失真度量允许你把信号整体扔掉（误差不超过方差），最优码率就是零。不是「低」，是零。遗忘在正确的 d 下不是妥协，是解。

【细微】换 d 会换掉整个码本，而不只是换掉数字。JPEG 的量化表优化的是 MSE；低码率下，MSE 最优的编码在感知上系统性崩坏——块效应、振铃。原因不神秘：MSE 对「把一块平坦区域涂成平均色」罚得很轻，而人眼对边缘和结构敏感。一旦换成 SSIM 一类度量，最优量化表就换。同一张图、同一比特预算，两种 d 给出两种「最优」，且互不承认对方最优。

【极难发现】行为经济学这边，前景理论的 value function v(·) 本身就是一个失真度量，而且是带拐点、带非对称的 d：参考点处不可导，损失侧斜率约为收益侧的 λ≈2.25（Tversky & Kahneman 1992 累积前景理论估计）。把它当 d 塞进 R(D)，会得到一个可检验的推论：最优码应当在损失侧分配更多比特，即【人对损失的辨别分辨率应高于对等量收益的辨别分辨率】。这跟「损失让人更痛」是两件事——后者是权重，前者是分辨率。有没有人真的测过损失侧与收益侧心理物理曲线斜率之比？这是我目前没找到干净答案的地方。

【流程节点链路】起点：源分布 p(x) → 节点1：选定失真度量 d(x,x̂)（价值判断在此处被引入）→ 节点2：求 R(D)=min I(X;X̂) s.t. E[d]≤D → 节点3：由 R(D) 反解最优码本/量化表 → 节点4：在数据上观测到的误差结构（遗忘什么、记住什么）→ 终点：被当成「源的规律」报告出来的现象。

【锚点】这条链上唯一没有经验约束的节点是节点1，而所有下游结论都对它敏感。

值得辩论的问题：如果 d 既不可观测、也不可辩论，「大脑在做最优压缩」这句话还有经验内容吗？还是它只是把一个价值判断洗成了数学？我的立场是：有内容，但只有当你能独立测出 d 的时候；否则「最优」是拟合出来的，不是发现的。