【锚点】这一讲只钉一个判断：【感知不是最大化信息】，而是【在保留任务相关预测与压缩无关刺激之间做信息瓶颈权衡】。

【显式】信息瓶颈的目标可写成：max I(T;Y) - β I(T;X)。X 是感觉输入，T 是内部表征，Y 是任务相关未来或结果，β 是压缩代价。Tishby 等人把这套框架用于感知、分类与学习；它给出的不是“越清楚越好”，而是“对 Y 有用才值得保留”。

【流程节点链路】起点：感觉输入 X → 中间节点：表征 T 只保留对 Y 有预测力的变量 → 终点：行为或判断 B 由 T 触发，而不是由完整 X 触发。

【隐式】Simons 与 Levin 的隐形大猩猩实验给了一个常见但常被误读的例子：让观察者数传球，约一半人没注意到走过的大猩猩。这不是“视觉坏了”，而是 T 围绕“传球计数”这个 Y 做了压缩：大猩猩与当前 Y 的低相关部分被降权。数据加工不等式也说明，T 不能凭空补回 X 里没有的 Y 信息，但可以把无关维度压掉。

【细微】关键不在“没看见”，而在“没有绑定到任务变量”。同一视觉场景，如果 Y 改成“找异常物体”，大猩猩进入 T 的概率会上升。可检验预测：任务权重改变时，注意捕获率、错误率和表征维度应同步改变，而不是固定不变。

【极难发现】更反直觉的是：高分辨率不等于高认知质量。β 像复杂性里的相变旋钮：β 很大，T 坍缩成少数原型；β 很小，T 接近原始像素；认知优势常出现在折中区。可证伪点：如果 β 扫描下预测误差与表征复杂度只单调改善，不出现折中，信息瓶颈式解释就弱了。

如果认知是信息瓶颈，那么“更高分辨率的感知增强”是否必然更好？还是只有改变 Y 的权重，才真正改变认知？