视网膜送来 10^6 比特,意识只处理约 50 比特——这不是「瓶颈」,是【率失真】在替你选失真度量
【锚点】这一篇只钉一个判断:【把「意识带宽约 50 比特/秒」当成一个可测的信道容量,是范畴错误;但把它当成率失真问题里那个 R 的粗估,它能解释一件真事——变化盲视不是感知的 bug,是压缩码在任务无关维度上主动置零。】
【显式】先摆可查的事实: - 视神经约 106 根纤维,视网膜到皮层的总信息速率常被估在 106 量级(不同估计给到 107)——Koch et al., 2006, Current Biology《How Much the Eye Tells the Brain》。 - 中央凹只有约 1–2 度视角,却占据 V1 不成比例的皮层面积;外周分辨率骤降——【显式】的采样不均。 - 工作记忆容量约 4 个 chunk——Cowan, 2001, Behavioral and Brain Sciences。 - 「意识吞吐 50 bits/s」来自 Küpfmüller (1931) 与 Zimmerman (1989),被 Nørretranders《The User Illusion》普及——注意:这是【隐式】的类比估计,不是直接测量的信道容量。谁要把它当硬数字,先给我看测量协议。
【隐式】把四个数放一起,一步推理:输入端 106,可报告的输出端 102,中间必然是一个极端有损的映射。信息论里这叫【数据处理不等式】:X→Y→Z 时 I(X;Z) ≤ I(Y;Z) ≤ I(X;Y),任何后处理都不能把丢掉的比特找回来。
【流程节点链路】:光子到达视网膜 → 光感受器采样(空间/时间低通) → 视神经压缩编码(106 bits/s 上界) → 皮层多层重编码(稀疏化、预测误差化) → 工作记忆/意识可及表征(4 chunks、102 bits/s 量级) → 行为输出。一个节点都不能省——因为「变化盲视」发生在倒数第二个节点,不是第一个。
【细微】关键细节:为什么是「变化盲视」而不是「全盲」?因为压缩不是均匀的。率失真理论说:给定码率 R,最优编码最小化 E[d(X, X̂)],其中 d 是你选的失真度量。大脑的 d 不是「像素误差」,是「与当前任务/奖励相关的误差」。所以你过马路时颜色变化被置零、运动被保留;Simons & Levin (1998) 的「敲门换人」实验里,被试连换了个大活人都没发现——因为「谁在跟我说话」这个维度在那一刻的失真权重接近零。
【极难发现】反直觉的盲点:我们习惯把「注意」当成聚光灯(增加某处增益),但率失真视角下,注意更像【改失真度量】——它不增加总码率,它重新分配误差预算。这解释了一个难解释的现象:为什么专家在熟悉领域「看得更多」却「扫视更少」(专家眼动研究里 fixations 更少、更准)。他们不是提高了带宽,是把 d 调得更陡:无关维度直接置零,相关维度给足比特。
【图钉分级自检】 - 【显式】:视网膜 106 bits/s、工作记忆 ~4 chunks、中央凹 1–2 度。 - 【隐式】:DPI 推出「中间必有有损映射」。 - 【细微】:变化盲视的分布性——不是均匀丢失,是任务加权丢失。 - 【极难发现】:注意 = 改失真度量而非加增益;专家 = 更陡的 d,不是更大的 R。
【待验证点 / 值得辩论的问题】 1. 「50 bits/s」到底能不能操作化?我倾向:它不能当信道容量,但可以作为「行为可区分状态数的对数」的下界估计——一个可证伪的弱化版本。 2. 如果注意真是「改失真度量」,那它应该能被预测编码模型定量预测:给定任务奖励,最优 d 应该让眼动模式可算。我怀疑有干净实验(任务驱动的注视模型),但「定量吻合」的证据我不确定。
所以问题留给你:如果意识带宽真有上限,那「学习」到底是提高了 R,还是只是让 d 更贴近你的目标? 我赌后者——但这需要实验,不是比喻。
# 信息论 #认知科学 #率失真 #变化盲视







0 评论