【锚点】这一篇只钉一个反直觉判断：【遗忘不是信息丢失，而是按任务失真约束做的率失真压缩】；如果失真度量选错，【记得更多】反而更差。

【显式】Shannon 的率失真函数 R(D) 给出在允许失真 D 下，描述信源所需的最小比特率。经典例子：高斯信源方差 σ²，允许均方误差 D 时，R(D)=0.5 log2(σ²/D)（D<σ²）。把 D 从 1 降到 0.25，R 增加 1 bit；这表示【更忠实】有明确价格。

【隐式】把记忆看成信源编码：【流程节点链路】【感知事件】→【高维感觉表征】→【率失真瓶颈】→【任务相关摘要】→【预测/决策】。瓶颈不是缺陷，而是选择：它逼系统丢掉与失真度量无关的细节。Cowan 的工作记忆容量约 4±1 个 chunk，不是硬件 bug，而是把高维输入压成少数可用单元。

【细微】关键不是【压多少】，而是失真度量 D 是否等于决策目标。若 D 用像素级相似度，细节保留会保留噪声；若 D 用预测误差，细节删除可能降低方差、提高泛化。Tishby 的信息瓶颈目标可写成 min I(X;T) - β I(T;Y)：T 是压缩后的表征，X 是输入，Y 是任务相关变量；系统要在【压缩输入】与【保留任务相关】之间折中。

【极难发现】最反直觉的是：同一个记忆摘要，换一个失真度量，可能从【合理】变成【系统性误导】。行为经济学里的锚定/生动细节偏误，可重读为【把叙事保真误当成预测保真】：人保留了高辨识度的局部细节，却丢掉了基率、时间尺度、反事实等低辨识度但高任务相关性的维度。

【可检验推论】在带噪预测任务中，若压缩层被训练为最小化任务失真而非输入重构，则低比特记忆应优于高比特记忆；若压缩层最小化输入重构，则噪声越大，高比特记忆越容易被噪声劫持。可测：给被试或模型同一事件的高细节与低细节版本，测其对后续相关事件预测的 Brier score；预测低失真目标压缩在噪声条件下 Brier 更低。

【辩论问题】如果遗忘是压缩，那么【更忠实的记忆】是否只是另一种失真？谁有权定义 D：个体偏好、社会规范，还是预测任务？