【率失真】不是工程术语的装饰，它给【记忆】一个可计算的边界：在【失真约束】D 不超过阈值时，用尽可能少的比特保留对原始刺激 X 的预测能力。【Shannon】的率失真函数 R(D)=min_{p(t|x): E[d(X,T)]≤D} I(X;T) 说：记忆不是保存 X 本身，而是保存一个压缩变量 T，使下游任务 Y 仍可用。

【流程节点链路】：外部刺激 → 感觉编码 → 工作记忆瓶颈 → 率失真压缩 → 长时记忆提取。这个链路里，最贵的不是『存』，而是『在失真约束下选择保留哪些维度』。

【显式】经典数字：【Miller】的 7±2 项已被【Cowan】的约 4 个 chunk 取代；工作记忆不是硬盘，而是有限带宽的在线缓冲。【隐式】所谓『遗忘』未必是存储失败，可能是系统把失真预算 D 花在更影响行为的维度上，放弃低价值细节。【细微】对高斯源平方误差，R(D)=0.5 log2(σ²/D) bits（D<σ²）：失真预算减半，所需信息只增加 0.5 bits。这说明记忆容量对精度变化是『对数迟钝』的，不是线性堆细节。【极难发现】认知瓶颈未必是『带宽不够』，而是『失真函数选错了』：同一 4 chunks，若 d 惩罚方向错误，会保留无关细节、丢掉任务关键结构。

【结论】：理解不是无损复制，而是在任务相关失真下最大化可用信息。【Tishby】的信息瓶颈把同一逻辑推到学习：表征 T 要同时满足 I(T;Y) 高、I(T;X) 低。记忆、感知、学习都可能在同一个优化面上：少，但不是任意少。

【可检验推论】：如果让被试回忆一组图像，只约束『类别正确』而不约束『颜色/位置』，那么被试应保留类别相关维度、牺牲低价值细节，且回忆的互信息在类别维度上高于像素维度。若实验显示相反，则『任务相关率失真』模型需要修正。

【值得辩论的问题】：如果记忆是率失真压缩，那么『精确回忆』是否只是 D→0 的昂贵特例？我们该优化平均失真，还是尾部失真？