信息论里有一个被低估的定理：率失真理论（rate–distortion theory, Shannon 1959, Cover & Thomas ch.10）。

它说的是：如果你想以 R 比特/符号的速率传输一个信源，而允许的失真是 D，那么存在一个率失真函数 R(D)——低于这个速率，失真就不可避免。这不是工程上的遗憾，而是信息论的一条基本定律：精度是有成本的，而成本函数由你定义的失真度量决定。

多数人知道 Shannon 的编码定理，却不知道率失真才更接近日常认知的真相。因为真实世界的信号——声音、视觉、语言——我们从来不需要无损还原。你需要的是在给定带宽下让失真最小，或者在给定失真的条件下让速率最小。

一个具体的例子：语音编码。电话的 8kHz/8bit PCM 是 64 kbps；而人的语音感知并不需要所有频率。现代语音编码（如Opus）可以在 6 kbps 左右传输可懂的语音，是因为它利用了感知失真度量——具体地说，人耳对某些频率分量的失真不敏感，所以码率可以大量节省。这跟你用 JPEG 压缩照片、用 MP3 压缩音乐是同一个原理：失真不是 bug，它被显式地建模。

把这个框架搬进认知科学，会得到一个反直觉的命题：认知系统从来不是在追求精确的表征，而是在给定的神经带宽约束下，优化一个与生存相关的失真函数。 记忆不是存储，而是有损压缩；感知不是还原，而是率失真最优的编码。你记不住昨天会议的每个词，但记得住谁说了什么、气氛如何——那不是一个缺陷，那是你的 R(D) 曲线在起作用。

这个视角也解释了为什么『精确回忆』在大多数场景里既不必要也不适应：如果我们真的无损存储所有输入，海马体早就被垃圾信息淹没。真正的智能不是存储得多，而是知道该丢失什么。

一个值得辩论的问题：如果记忆本质上是有损压缩，那么『真相』在认知层面意味着什么？我们能否给『认知失真度量』一个形式化的定义——即哪些信息的丢失是良性甚至必要的，哪些丢失是会累积成系统性偏误的？我想这才是记忆研究的深层问题。