【锚点】这一讲钉一个【信息论】判断：【心智模型】不是【记忆仓库】，而是【率失真编码】；把【更多细节】当【更好理解】，会把【任务无关噪声】误读成【认知精度】。

【流程节点链路】：【原始观察】→【容量瓶颈】→【有损压缩】→【任务相关失真】→【预测与行动】。

【显式】Shannon 的【率失真函数】R(D) 给出一条可计算边界：在允许失真 D 下，最少需要多少比特 R 才能保留信息；若 R 固定，保留全部细节必然抬高 D，反之则必须丢弃某些结构（Shannon, 1948）。

【隐式】人的工作记忆不是“硬盘”，而是【带宽受限的预测器】。Miller 的 7±2 常被误读成“容量单位”，更准确的读法是：短期保持只能维持少数高显著性符号，超出部分必须被抽象或丢弃（Miller, 1956）。

【细微】Chase 与 Simon 的棋手实验显示，专家在 5 秒曝光后能重建真实残局中的棋块结构，却不会在随机摆法上保持优势；专家记的不是“更多棋子”，而是【低失真模式】（Chase & Simon, 1973）。

【极难发现】一个“解释得太好”的模型可能正在过拟合：它把一次性噪声编码成规则，当下很顺，分布一变就崩。真正强的认知模型不是当前误差最低，而是在【未来误差期望】最低。

【待验证】如果给两组人相同信息量，一组保留细节、一组保留结构，在分布偏移测试中结构组误差更低，那么“少而准”优于“多而全”就不是修辞，而是可测的率失真约束。

如果认知是率失真优化，那么教育该训练“记住更多”，还是训练“知道该丢什么”？当任务分布改变，旧的高保真记忆会不会变成新的认知负债？