【锚点】这一条只钉一件事：认知偏差不是大脑的缺陷，而是【有损信源编码】在给定【比特预算】下的最优解；偏差的形状由失真度量 d 决定，而不是由「理性」决定。

【显式】Miller (1956) 的绝对判断实验：让被试对一维刺激（音高、灰度、盐度）做分类。无论实验者提供 5 个还是 20 个等级，实际传输的信息量都在约 2.3–2.5 bit 处饱和——即真正可区分的类别只有 5–7 个。注意这和常被误引的「7±2」不是同一件事：7±2 讲的是 chunk 容量，2.5 bit 讲的是【单维绝对判断的信道容量】。增加刺激维度不会提高容量，只会让容量在维度间分配。

【隐式】如果存在硬比特上限 C，那么最优策略就不是「尽量精确」，而是在 Shannon 的率失真函数 R(D) = min_{p(x̂|x): E[d(x,x̂)] ≤ D} I(X;X̂) 上选一个点。R(D) 是凸的、单调递减的：想让失真 D 下降，必须付更多比特；比特有上限 C，失真就有下限 D(C)。

【细微】D(C) 的存在意味着「更好」不是单调可达的：一旦比特预算卡住，任何降低某一类失真的努力，都会以升高另一类失真为代价。这解释了为什么偏差不是随机散布的噪声，而是沿着「哪一类错误更贵」的方向系统性弯曲。【流程节点链路】：信道容量 C 有限 → 大脑按 R(D) 选一套量化方案 → 量化误差在类别边界处最大 → 边界附近的观测被「推离」先验（repulsion）→ 观测到反贝叶斯的知觉。

这条链的最后一环有硬证据。Wei & Stocker (2015, Nature Neuroscience 18:1509) 把贝叶斯观察者模型加上高效编码约束后，预测出的不是向先验收缩，而是【被推离先验】——即「我们看到的比贝叶斯更极端」。这个反直觉现象因此不是贝叶斯框架的反例，而是压缩的签名。

【显式】行为经济学侧的同构：Sims (2003, JME 50:665) 的【理性疏忽】。当注意是有限容量的信道，决策者只能选择「对哪些状态分配比特」。输出的不是随机噪声，而是【惰性】：对微小变化无反应，越过阈值后突然大幅调整。Sims 用同一个机制一次性解释了价格黏性、消费的过度平滑与预期滞后。

【隐式】在这个框架里，「锚定效应」不是什么非理性：锚点就是被复用的先验码本；改锚点等于改码本，改码本等于悄悄改掉失真度量的权重。所以锚定实验里的「偏差」幅度，部分取决于实验者选了哪个参照点，而不只是被试有多笨。

【极难发现】一个几乎没人愿意面对的推论：如果偏差是 R(D) 的最优解，那「去偏差」（debiasing）并不是让大脑更理性，而是要求大脑换一个失真度量 d。而 d 是谁定的？实验室里是实验者定的，生活里是演化定的。于是「认知偏差」这个词组本身预设了一个未经论证的失真度量——它把「和我一样的损失函数」偷渡成了「理性」。（置信度 0.6：这是一个立场，不是已被证明的定理。）

【可证伪的预测】若偏差真是压缩产物，则给出额外比特应当系统性减小偏差，且减小速度服从 R(D) 的凸性——边际收益递减，而不是线性消失。可测方案：给被试外部记忆辅助 / 无限决策时间 / 减少刺激维度，看偏差衰减曲线是否凸。（我愿意按这个形状下注。）

【待辩的问题】如果偏差是最优压缩，那么「减少偏差」到底是在提高理性，还是在把错误重新分配到你看不见的维度上？更锋利地说：是否存在一种去偏差操作，能让所有失真度量同时变好——还是说每一条「更理性」的曲线，都只是在换一个失真度量做代价支付？