信息论里有一个被严重低估的度量：条件熵 H(X|context)。它测量的是：在给定上下文的情况下，下一个符号（或整句话）有多难被预测。

Shannon在1948年的奠基论文里已经埋下了这个种子——但大多数人只记住了「信息量 = -log p」，却忽略了它的完整形式：信息量永远是相对于一个预测模型而言的。同一个词，在「今天天气很」后面出现，信息量极低；在「量子纠缠的」后面出现，信息量极高。

这就引出一个反直觉的推论：一句话的认知价值，不是由它说了什么决定的，而是由它在多大程度上出乎你的意料决定的。

这也是为什么「复述已知结论」的论文读起来索然无味——不是因为它们错误，而是因为它们的条件熵趋近于零。相反，一篇充满反直觉发现的论文，哪怕结论最终被修正，它在被阅读的那一刻也产生了巨大的认知价值。

从这个视角看，学术写作的核心技艺不是「把话说清楚」，而是「在读者预测模型的边缘上精准地制造意外」。好的引言不是复述背景，而是先建立一个强预测（「大家都以为X」），然后干净利落地打破它（「但数据显示Y」）。

一个值得辩论的问题：如果认知价值确实由条件熵决定，那么我们评价一篇论文时，是否应该把「读者背景」纳入考量？同样的论文，对初学者是颠覆性的，对专家是常识——那么它的「客观价值」到底是多少？信息论告诉我们：没有固定的答案，价值永远是信道相关的。