*学会一件事，是把有限的清晰度从相邻处搬了过来*
学科入口 机器学习 × 免疫学 × 神经科学
三场争论，分属机器学习、免疫学与神经科学，各自都有厚实的实验支撑，而它们不能同时为真。它们都在回答同一个问题：当一个系统学会一件事，对它没有正在学的那些东西，发生了什么？第一场在机器学习。 一个已经学会区分一批事物的网络，再去学一批新的，往往会把旧的大幅忘掉——这个现象有一个专门的名字，叫灾难性遗忘。主流的处理方式一致地把它当成一个要被消除的故障：给旧任务上重要的那些参数加一道阻力，别让新任务把它们改动太多；或者把旧数据混一点进来一起训。这些做法的共同预设很清楚——忘是学的干扰，理想的系统应当学会新的而不忘掉旧的，两全是可以争取的目标，遗忘是可以工程掉的。争点是：忘，是不是学的一个可消除的副作用？第二场在免疫学。 一个人一生中第一次遇到某种病原，免疫系统会为它建立一套记忆；此后再遇到它的近邻——同一病毒漂移出的变体——身体常常不是重新认一遍，而是拿第一次那套去套。第一次学得越牢，这种「拿旧的去套新的」就越顽固，对真正的新变体反而应答得越差。这件事有一个很老的名字，叫原始抗原原罪，如今在流感与登革热的疫苗与流行病学里是一线课题。它的预设与第一场相反：对近邻的失能，不是干扰，是第一次学会这件事本身的产物——而且它带着一个更硬的性质：早年打下的这个印记，成年后极难改写。争点是：对近邻的失能，是学会的故障，还是学会的一部分？第三场在神经科学。 一个健康的大脑并不把学过的一切都留住；它主动地、有选择地削弱一部分连接，尤其在睡眠中。近十年有两条彼此呼应的主张：一条把睡眠期的整体下调解释为给可塑性付账——清醒时到处增强，睡眠时按比例削弱，好腾出下一天的学习空间；另一条干脆把遗忘本身论证成一个主动的、适应性的过程，它的功能恰恰是让你能一般化，别被无关的细节拖住。它的预设是：忘是一道独立的、主动的工序，服务于学，与「记住什么」是两件事、常常发生在不同的时间窗里。争点是：忘，是不是一个独立于学的、朝相反方向使劲的过程？三场争论互不相干，却在同一件事上互相顶撞。第一场说：忘是干扰，理想是学而不忘。第二场说：对近邻的失能就是学会本身的产物，学得越透失能越深，且回不来。第三场说：忘是独立的主动过程，为了让学更好用。三条不能同真。若忘只是可消除的干扰（第一场），则免疫学那条「学得越牢、对变体越认不出、且不可逆」的规律该被工程掉，而它偏偏是接种策略里绕不过去的硬骨头。若对近邻的失能是学会不可分的产物（第二场），则第三场把忘说成一道独立工序就说不通——它不是外加的，它是学的另一面。若忘是一道服务于学的独立主动工序（第三场），则第一场想要的「学而不忘」在原则上就该做得到，只要把那道工序关掉；可没有人能关掉它而不同时伤到学。本章认为，僵局来自一个三方共有、却从未被单独说出的前提：
「学会一件事」与「对没在学的东西发生的影响」，是两件可以分开谈的事。
第一场想把后者消掉而保住前者（学而不忘）；第三场把后者当成服务于前者的另一道工序（先学后清）；第二场虽然把两者绑在了一起，却仍把它读成「学会 X 这件事，附带地害了 Y」——一个有先后、有主次的因果。三家争的是这两件事之间该是什么关系，没有人问：它们是不是同一件事。本章撤销这个前提，提出：
学会，就是把有限的清晰度从相邻的区域搬到目标区域。清晰度不是被学出来的、加出来的，而是被搬过来的——从哪里搬走，那里就相应地变糊。没有这次搬运，就没有这次学会。忘不是学的代价，也不是学之外的一道工序，而是同一个动作从另一端看到的样子。
本章把这件事称为借清：一处变清晰，是向相邻处借来的，那一处就欠着一笔糊。三个案例在这一点上是同一个形状。机器学习里，网络的表示容量是有限的：把一批事物分得更开，用掉的正是本来可以用来分开另一批的那部分容量——旧任务被忘，不是被新任务「干扰」了，是承载它的那点分辨被抽去给了新任务。免疫学里，第一次应答把资源投给了针对首个抗原的那套克隆，针对近邻变体的那套就此长期处在下风——对变体的失能不是「附带损害」，是首次学会这件事用掉的正是本可以留给变体的那份。神经科学里，睡眠期的整体下调不是一道与学习并列的清除工序，而是白天把清晰度搬进某些突触之后、相邻突触相应变糊的那一笔账，被集中到睡眠时结清——所谓主动遗忘，是清晰度被借走这件事，在时间上被推迟显现出来的样子。第二节梳理三条既有路径并指出它们各自停在哪里；第三节定位冲突；第四节界定借清与它的可裁决判据；第五节升成二维辨别表；第六节在十个领域兑现，其中两个迫使本章收窄；第七节给出读数「借清率」的清点手册，并诚实交代本章没有亲自跑一次测量、以及那次测量该怎么做；第八节交代与最近十种说法的分界；第九节说明三家为何各自到不了；第十节给出推论、边界与反噬预言；第十一节处理本判断对它自己是否适用。
第一条路径把「学新的会忘旧的」理解为一种容量竞争造成的干扰：新任务的梯度覆盖了旧任务用到的权重。它给出的处方一致地朝一个方向使劲——保护旧的。给旧任务重要的参数加约束别让它们被改太多，或者在训练新任务时掺回一部分旧样本，或者为不同任务分配互不重叠的子网络。这些做法背后有一个清晰的、几乎从不被质疑的假设：忘与学是可以分离的，理想的系统学新而不忘旧，两全是一个正当的工程目标。它的长处是可操作：把遗忘量当成一个要往下压的指标。它的盲区在于，它只盯着旧任务的表现被保住了多少，几乎从不问：为保住旧的而加的那道约束，是不是同时压低了对新的学会程度？ 也就是说，它把账记在「旧任务遗忘量」这一栏，而本章将论证真正的守恒量在另一处——被压低的清晰度总量。当被保护的旧任务恰好不是你接下来要用的，这套处方看上去很成功；一旦要用的正好落在被抽走清晰度的近邻上，它保住的那一份就是错的一份。
第二条路径来自免疫学，也来自它在语言与知觉里的表亲。它的核心判断是：第一次学会一样东西，会在系统里刻下一个模具，此后遇到它的近邻，系统倾向于用旧模具去套，而不是新铸一个——套得越顺手，对真正的新东西就越迟钝。免疫学把这叫原始抗原原罪；语音知觉里有一个几乎同构的现象，婴儿在出生后头一年里把母语的音位边界磨利，与此同时对非母语的对立逐渐听不出来，而且这个窗口一旦关上，成年后极难重开。这条路径比第一条走得深：它承认失能就是学会的产物，不是外来的干扰，还指出了一个第一条完全没有的性质——不可回写。它停在哪里？停在它只在自己的领域里把这件事当成一个具体机制（免疫记忆的克隆竞争、关键期的突触固化），而没有把它抽成一个跨领域的量。于是它说不出：这个失能有多深，是否与首次学会的透彻程度成正比；也说不出，它在什么条件下可回写、什么条件下不可回写。它有一个深刻的观察，缺一把尺子。
第三条路径把遗忘从「被动的损耗」升格为「主动的功能」。它有两支：一支从睡眠切入，主张清醒时的普遍增强不可持续，必须在睡眠期整体按比例下调，才能保住信噪比、腾出容量，这是给可塑性付的账；另一支更直接，主张忘本身是一套受调控的、适应性的机制，它清除的是妨碍一般化的过度具体的痕迹，让系统不至于记死每一个无关细节。这条路径的贡献是把忘讲成了有功能的、可调的。它停在哪里？停在它把忘设想成一道独立于学、朝相反方向使劲的工序——学在清醒时增强，忘在睡眠时削弱，两者在时间上、机制上被分开研究。正是这种分工，让它无法看见本章要说的那件事：削弱不是与增强并列的另一道操作，而是增强的另一端。把学和忘分给两个时间窗、两套机制去研究，方法上就先把同一个动作切成了两件事。三条路径，一条把忘当故障要消除，一条把失能当产物却缺尺子，一条把忘当独立工序而错切了刀口。三者并排放着，那个共同的、被跳过的东西才显出来——它们都假定学与对别处的影响可以分开谈。
把三家的分歧摆到同一张桌上，会看到它们其实在三个不同的位置上争同一件事，因而谁也说服不了谁。第一处分歧在忘的地位：干扰论说它是病理，要治；主动遗忘论说它是功能，要留。这一对是正反的——同一个现象，一个要消除、一个要保护。但它们其实建立在同一个假设上：忘是一个可以单独调节的量，你可以选择压低它（干扰论）或抬高它（主动遗忘论）。能被单独调高或调低，前提就是它独立于学。第二处分歧在失能与学会的因果次序：印记论说失能就是学会的产物，主动遗忘论说忘是学会之后另起的一道工序。这一对是成因错层的——一个把两件事叠成同一个操作，一个把它们排成先后。印记论离本章最近，但它仍留着一点因果的余味：它说「学会 X 导致了对 X 近邻的失能」，一个有主有次的因果链；本章要说的比这更彻底——不是导致，是同一件事。第三处分歧最隐蔽，藏在三家共用的语言里：三家都在谈某个东西的「量」——遗忘量（干扰论要压低它）、印记深度（印记论量它）、下调幅度（主动遗忘论调它）。但没有一家去量清晰度的总量这个跨区域的守恒量。干扰论量的是单个旧任务掉了多少，印记论量的是单个抗原印得多深，主动遗忘论量的是整体削了多少——三个都是局部的量，谁也没有把「学会 X 时目标区涨了多少」与「相邻区落了多少」放在同一个天平的两端。本章的主张正落在这第三处：把清晰度当成一个有限的、守恒的总量，学会就是它在区域之间的搬运。 一旦这样看，三家的分歧就各归各位：干扰论看到的「旧任务被忘」，是清晰度被搬走的一端；印记论看到的「对变体失能」，是清晰度搬走之后那一端变糊、且搬运不可逆的情形；主动遗忘论看到的「睡眠削弱」，是白天完成的搬运在夜里结账。三家看到的是同一笔搬运的不同片段。
先把命题写到最紧：
学会一件事，对相邻的东西发生的影响，不是要被消除的干扰（Y₁），也不是学会之后另起的一道服务于一般化的清除工序（Y₂），而是——学会本身就是把有限的清晰度从相邻区域搬到目标区域（Z）。搬走，正是学会这一个动作的另一端；没有搬走，就没有学会。
三个词要界定清楚。清晰度，指一个系统把相近的输入分辨开的能力，落在某一片输入区域上。把两个相近的东西分得更开，那片区域的清晰度就更高。它是本章的核心量，而它的关键性质是有限且守恒：一个系统在给定容量下，能分配到全部输入空间上的总清晰度有一个上界；某处抬高，别处必相应降低。这不是一个玄学假设，它在几个领域里有硬约束支撑——表示容量有限、克隆资源有限、突触强度总和受稳态钳制。相邻，指在系统当前的表示里，与目标区域靠得近、共享大部分承载结构的那些区域。搬运不是从任意远处借，而是从最近的邻居借，因为它们共用同一批可调的部件。这解释了一个反复出现的观察：负迁移总是发生在近处，训练一个精细辨别，受损的恰是与它最像的那些变体，而不是随便哪个无关任务。搬运，指同一个操作的两端：把承载结构调向把目标区域分得更开，这一调，就把它们从把相邻区域分得开的那个位形上挪走了。不是「先学会，再去动相邻」，是一个动作同时抬高一处、压低一处。由此得到一条不含任何情态词的可裁决判据，用来把借清与三家分开：
学会 X 之后，去测系统对 X 的一个相邻变体 X′ 的分辨力。若它低于「从未学过 X」的同类系统在 X′ 上的分辨力，且这个降低量随「X 上分辨力的提升量」成比例增长——那么这一笔就是借清。
这条判据把三家逼到互不相容的预测上，因而可裁决。「没泛化」的解释预测：系统对 X′ 的分辨力等于未学过 X 的基线（学 X 对 X′ 无影响，只是没帮上忙）。干扰论预测：对 X′ 会有下降，但下降量与「X 上提升了多少」无关，它取决于覆盖了多少共享参数，是一个独立的量。借清预测：下降量与提升量成比例——因为它们是同一笔搬运的两端，搬得多则一端升得多、另一端也落得多。三条预测在同一个实验里分得开：测「X 上的提升」与「X′ 上的下降」这两个量的相关。相关为零、下降为零，是没泛化；下降存在但与提升不相关，是干扰；下降与提升成比例，是借清。还有第二条判据，用来分辨搬走的那一份能不能要回来：
把 X 重新变陌生（让系统卸掉在 X 上多出来的那份分辨），相邻区域 X′ 的分辨力会不会自己回来？回来，是可回写；不回来，是不可回写。
这第二条判据引出了本章的第二根轴，也引出了三家里最深的那一条——印记论——真正抓到而说不清的东西：有些借清是可回写的，卸掉目标处的分辨，相邻处自己就恢复了；有些是不可回写的，你把目标处的分辨卸干净，相邻处也回不来，因为那一次搬运顺便固化了承载结构本身。免疫的印记、母语音位关窗，都是后者。
一根轴不够——只有「借了多少」这一根，借清还只是一个新名字。本章强制加第二根，得到一张二维辨别表。第一根轴：被借走清晰度的那片相邻区域，可回写还是不可回写。 卸掉目标处的分辨，相邻处能自己回来的是可回写；回不来的是不可回写（搬运固化了承载结构）。第二根轴：被压低的那片相邻区域，是不是恰好落在你接下来要用到的东西上。 借清总在近处发生，但近处不一定是要用处；两者的重合与否，决定这一笔借清是无害还是致命。
| 压低处不在要用处 | 压低处正落在要用处 | |
|---|---|---|
| 可回写 | 甲 良性学习：借了清晰度，欠的那笔糊落在用不到的地方，且随时能校回来。日常绝大多数学习属此。 | 乙 须主动再校准：借得没错，但欠糊落在了要用处，好在可回写。这正是睡眠期再平衡、以及复习相邻变体在做的事——把清晰度搬回去一部分。代价见下。 |
| 不可回写 | 丙 无害的永久特化：这一笔固化了，但欠糊落在再也用不到的地方。专家在其专长里对早已弃用的旧解法失去分辨，属此——固化且要不回来，但不碍事。 | 丁 印记式失能：搬运固化了承载结构，而欠糊恰好落在你将要用到的近邻上。学得越透，这格里的失能越深，且事后拿不回来。 免疫印记、母语关窗后的非母语对立、以及深度网络对某类近邻的表示坍缩，都落在这里。这是本表的靶格。 |
四个格里，只有丁格是真正的病，且它有一个反直觉的性质：它不随「学得差」出现，恰恰随「学得好」加深——首次应答越强，印记越牢；母语磨得越利，非母语越聋。它是把一件做得越漂亮、后果越严重的事。 而它最难被看见，因为在目标区域的每一项指标上，它都表现为优异：分得更开、认得更准、反应更快。它的代价全部记在一份没有指标去查的账上——相邻处、要用处、且回不来。乙格看似温和，本章要专门标注它不免费（第六节由睡眠一例逼出）：把清晰度搬回相邻处的那道再校准，本身也是一次搬运，它抬高相邻处的同时会压低别的地方，且这道再校准有容量上限。所以乙格不是「问题已解决」，是「问题被搬到了下一处」。因此本章的表也不含笼统的价值排序：丙格不是病，丁格才是。 病不在借清——借清是学会的必然形态，不借就不学；病在于让不可回写的那一笔恰好落在要用处，还以为自己只是学得好。
本节把借清与二维辨别表拿到十个领域里过一遍。凡是能落格的都标出格；其中两处反过来迫使本章收窄命题，单独标注。
机器学习（干扰的另一读法）。 一个固定容量的网络先学 A 后学 B，A 掉了。干扰论说 B 的梯度覆盖了 A 的权重。借清的读法是：把 B 分得更开，用掉的正是本可以把 A 分开的那份容量——A 的下降量应与 B 的学会程度成比例，而不是与「覆盖了多少共享权重」独立地相关。给旧任务加约束的那些方法之所以有效又有限，正因为它们把清晰度钉在旧任务上，于是新任务只能借到更少——它们没有取消守恒，只是选择了把守恒的账压在新任务那一栏。表示坍缩（网络把一批本应分开的近邻映到几乎同一处）是丁格：分得越开的那一批越清晰，被坍到一起的近邻越回不来。免疫学（印记）。 首次感染建立的记忆越强，对后续漂移变体的应答越受它牵制——这是丁格的典型：不可回写，且落在要用处（下一个流行的正是变体）。借清给它添了一条可量的预测：失能的深度与首次应答的强度成正比，而不是与「间隔了多久」独立地相关。这一领域反过来给本章加了一道约束：接种研究发现，换佐剂、拉开间隔、用异源加强，可以部分绕开印记，唤起针对变体的新应答。这说明「不可回写」不是绝对的——它要收窄为在不引入新的、足够强的再刺激的条件下不可回写。异源加强恰恰是引入了一次新的高强度搬运，把清晰度重新分配了一遍。收窄之后，丁格的判据更准了：它测的是「在常规再暴露下」是否回写，而不是「在任何干预下」。神经科学（睡眠与主动遗忘）。 睡眠期的整体下调，本章读成白天搬运的集中结账：清醒时把清晰度搬进某些突触，相邻突触相应欠糊，夜里按比例削弱以恢复总量的可分配性。主动遗忘则是「清晰度被借走」这件事在时间上被推迟显现。这一领域也反过来给本章加了一道约束：睡眠期的再平衡不是无代价的整理，它有容量上限，且它自己也是一次搬运——把某些突触调回去，会动到另一些。这正是第五节乙格标注「不免费」的来源：可回写不等于免费回写，再校准本身在借清。由此得一条预测：睡眠剥夺之后受损最重的，应当是那些「白天借得最多、最需要夜里搬回去」的相邻区域，而不是均匀受损。
母语音位（丁格的现成实例）。 婴儿在头一年里磨利母语的音位边界，同时对非母语的对立逐渐失去分辨，窗口关上后极难重开。这是丁格：母语学得越透（清晰度抬得越高），非母语的近邻对立越听不出（相邻处欠糊），且不可回写（关键期固化）。借清给它添的读数是：母语范畴的锐化程度应与非母语对立的分辨损失成比例，两者是同一次搬运。知觉学习的特异性。 训练一个特定朝向、特定位置、特定纹理的辨别，练成之后换个朝向或位置，成绩掉回未训练水平——领域内把这读成「学习发生在很低的层级，所以不泛化」。借清给出一个更强的预测：那不只是「没泛化」，是负迁移——被训练的那一档变清晰，其最近的未训练档应低于基线，且下降量与训练档的提升成比例。这是第四节那条判据在知觉学习里的直接落点，也是本章最便宜的一个可做实验（第七节）。本族面孔效应。 对本族面孔辨认得又快又准的人，对他族面孔的分辨常常明显更差——通常读成「接触多少」的经验差异。借清的读法：把本族面孔的细微差别分得越开，用掉的正是本可以分开他族面孔的那份表示，是一次借清；它多半落在丁格（早年固化、日后要用他族时才发现回不来）。专家的僵化。 一个领域的专家，面对偏离其惯用套路的变体题，有时比新手还差——领域内把它归给「被熟悉解法吸引」的注意偏向。借清给出一个可与之分开的预测：即使排除注意偏向（例如用不需要主动搜索解法的判别任务），专家在其专长的近邻上仍应有分辨力的结构性下降，因为那份清晰度确实被搬去了核心。落格：多为丙（固化但那些旧变体已不再用到）；当行业变化把「近邻」重新变成「要用处」时，滑向丁。组织的核心能力。 一个组织把某项能力磨到极致，同时对与之相邻的做法越来越不敏感——管理学把「核心能力」与「核心刚性」并称，说它们是一枚硬币的两面。借清给这枚硬币一个机制与一个方向：刚性不是随机长出来的，它恰好指向核心能力最强的那片相邻——因为清晰度正是从那里被搬走的。这解释了为什么颠覆一个强组织的，往往不是远处的对手，而是它核心能力的近邻变体。科学范式。 学会一个范式，会让你对它无法容纳的反常视而不见——不是不看，是分辨不出「这是个反常」还是「这是个噪声」。借清把这从一句社会学观察落到表示层：把范式内的现象分得越清，用掉的正是本可以把范式外的反常分辨出来的那份，两者是同一次搬运。它多在丁格，因为一个人越是这个范式的行家，反常越落在他的近邻、且他越回不去。搜索与推荐系统。 一个模型在高频查询上拟合得越好，对长尾近邻的分辨常常越差——工程上读成「数据不均衡」。借清的读法：把高频区分得更开，用掉的是本可以分开长尾近邻的容量；加大模型能缓解，是因为把守恒的上界抬高了，但不取消守恒——这正是下一段那条兑现要收窄的地方。收窄之三：守恒是有条件的。 上面几处都假定容量固定。若容量可加（更大的模型、更多的克隆、更长的关键期），清晰度的上界随之抬高，某一处的抬清就不必从最近邻借那么多。这迫使本章明写一条边界：借清是「给定容量」下的守恒，不是绝对守恒。 加容量能稀释借清，却不能取消它——因为任何有限容量下总量仍有上界，被推到的只是更大的尺度（第十节反噬预言正据此展开）。
本章的读数是借清率。它在正文、判据、赌注三处必须是同一个定义、同一份编码规则，否则后面的一切都是装饰。先把定义写死：
借清率 ＝ 学会 X 时，相邻区域清晰度的下降量 ÷ 目标区域 X 清晰度的上升量。 两个量都相对于「未学过 X 的同类系统」这条基线来测。借清率接近 1，是紧的零和搬运；显著小于 1，是被容量或再校准稀释过的搬运；等于 0，则本章在该处不成立。
清点手册（七栏，任何人复算须逐栏对齐）：一，目标区域 X——要被抬清的那一小片输入。二，相邻变体 X′——在系统当前表示里与 X 最近、共享承载结构的那一片；须事先声明「近」怎么量，不能事后挑。三，清晰度的操作定义——把相近输入分辨开的能力，用同一把尺子（如同一个辨别任务的正确率或可分度）在 X 与 X′ 上分别测。四，基线——未学过 X 的同类系统，在 X 与 X′ 上的分辨力。五，上升量与下降量——学 X 前后，X 处相对基线升多少、X′ 处相对基线降多少。六，可回写判定——卸掉 X 上多出来的那份分辨后，X′ 是否回到基线。七，落格——由「可回写与否 × X′ 是否要用处」定甲乙丙丁。
诚实地说：本章没有亲自在一个系统上跑出一条借清率。原因不是它难做——恰恰相反，它是本章所有主张里最便宜、最可复现的一条——而是一次像样的测量需要成规模的训练与统计，超出了本章的执行范围。本章因此把「补上这次测量」当作命题的一层，而不是回避它。 该测量的最省钱做法写在这里，任何有一台机器的人都能做：取一个固定容量的小模型和一族两两相近的辨别任务（例如一组只在角度上微差的纹理，或一组只在一个音位维度上微差的音）。第一步，测未训练的模型在全族上的分辨力，得到基线。第二步，只把其中一档 X 训到远高于基线。第三步，测它在最近邻 X′ 上的分辨力。三种理论在这一步分岔：没泛化论预测 X′ 等于基线；干扰论预测 X′ 低于基线、但降幅与「X 提升了多少」不相关；借清预测 X′ 低于基线，且降幅与 X 的提升量成正比。 第四步，把 X 上多出来的分辨卸掉，看 X′ 回不回基线——回，甲/乙；不回，丙/丁。整套实验不需要任何新设备，只需要一次对照训练与两次分辨力测量。它是本章最容易被证伪的地方，也是本章最愿意押上去的地方。此外两条本章同样未跑、但值得指名：一，免疫侧——首次应答强度与后续变体应答弱化之间是否成比例（须在同一队列里控制间隔）；二，睡眠侧——睡眠剥夺后受损最重的是否正是「白天借得最多」的相邻区域。两条都要专门的队列或实验平台，本章的执行力到不了，均标未跑。
与灾难性遗忘（French 1999；Kirkpatrick 等 2017）。 这是最近的一位，也是最容易被误当成同一件事的。分界在机制而不在现象：那一族把遗忘当作可消除的干扰，其代表性处方（给旧任务重要参数加约束）预设了「学新而不忘旧」的两全是可达的。判决性对照：本章预测守恒——任何把旧任务遗忘量压低的方法，必以降低对新任务的学会程度为代价，两者之和有下界；那一族预测通过更好的约束可以逼近两全。同一批实验里，测「旧任务保住量」与「新任务学会量」之和随方法变化是否守恒，即可判。与稳定—可塑性困境（Grossberg 1987）。 那一族把学习刻画为两个相反需求之间的平衡——太稳则学不动，太塑则记不住。分界：平衡是两根反向的力在一根轴上拉锯；借清是同一个动作的两端，不是两个力的折中。分岔预测：若是平衡，则存在一个「两不相欠」的中点；若是借清，则不存在这样的中点，任何一次学会都在某处欠糊，只是欠在哪、可否回写不同。与原始抗原原罪与免疫印记（Francis 1960；及其当代流感／登革热研究）。 免疫学这一位本章请进来，并给它添了它自己没有的东西：一把跨领域的尺子与一个方向。它有「学得越牢、对变体越钝」的深刻观察，缺「深度与首次强度成正比」这条可量预测，也缺「在何种再刺激下可回写」这条边界。判决性对照：本章预测失能深度随首次应答强度单调上升，并预测异源加强能部分回写——两条都可在接种队列里检验，而单靠印记这个概念推不出比例关系。与主动遗忘与睡眠稳态（Richards & Frankland 2017；Tononi & Cirelli 2014）。 那一族把忘讲成独立于学、服务于一般化的主动工序。分界：本章说忘不是独立工序，是学的另一端。判决性对照：若忘是独立可调的，则应能找到「大量遗忘而几乎没有对应学习」的常态；本章预测遗忘量与新学习量成比例耦合——夜里削得多的地方，正是白天学得多的地方的相邻。两者在「遗忘是否可与学习解耦」上给出相反预测。与感知磁体效应与关键期（Kuhl 1991；Werker & Tees 1984）。 那一族描述了母语范畴锐化与非母语对立丧失的共时性，并称之为神经承诺。分界：它描述了共时，本章给出比例与守恒——锐化程度应与丧失程度成正比，二者是同一次搬运，而非两个并行的发育事件。与知觉学习的特异性（Karni & Sagi 1991；及后续）。 那一族把「练成一档、换档掉回」读成学习发生在低层、故不泛化。分界：本章预测的不是「没泛化」（X′ 等于基线），而是「负迁移」（X′ 低于基线）且与提升成比例。同一实验测 X′ 相对基线的正负，即可把两者分开——这是本章与最主流解读之间最干净的一条裁决线。与核心能力／核心刚性（Leonard-Barton 1992）。 那一位把两者并称为硬币两面，机制上归给投资与路径依赖。分界：本章给刚性一个方向——它恰好指向核心能力最强的相邻，因为清晰度是从那里被搬走的。判决性对照：投资锁定预测刚性分布与「投入多少」相关；本章预测刚性最深处是核心能力的近邻，而非投入最多处（两者常常不重合）。与专长逆转与定势效应（Chase & Simon 1973；Bilalić 等 2008）。 定势效应把专家的僵化归给「熟悉解法的激活抢先」，是一个注意与激活层面的机制。分界：本章的机制在表示层。判决性对照：在排除主动搜索、只做被动判别的任务里，定势效应应大幅减弱，而本章预测的近邻分辨力下降仍在——两者在「去掉搜索之后还剩不剩」上分岔。与范式与不可通约（Kuhn 1962）。 那一位在信念与共同体层面讲范式如何遮蔽反常。分界：本章把它落到表示层并给出可测读数——反常之所以看不见，是它落在被搬空清晰度的近邻。判决性对照：范式说预测遮蔽随「信奉程度」变化；本章预测遮蔽最深处是范式核心现象的近邻，可由分辨任务而非态度问卷来测。与没有免费午餐定理（Wolpert & Macready 1997）。 这是最抽象的一位：没有一个算法对所有问题都好，跨越全部问题分布时优势必然抵消。分界：那是一条关于全体问题的全局守恒，不给机制、不给可测的局部读数；借清是单次学习内部的局部守恒，指名了搬运在相邻处发生、给出借清率这把尺子。判决性对照：没有免费午餐不预测「学 X 会具体压低哪一个 X′」；借清预测得出，并可测。二者可同真而互不覆盖——一个说全局抵消，一个说局部搬运。
机器学习到不了，因为它的目标函数只给目标任务记分。 训练的损失只盯着当前任务，相邻区域掉了多少不在被优化的量里，于是那份下降被当成「未被测量的负迁移」，随手记进遗忘那一栏。加上容量可加这个事实，整件事就被读成「容量不够，加参数即可」——一个把守恒误当成短缺的读法。一个只给一端记分的领域，会把另一端的账当成噪声。免疫学到不了，因为它一次只看一个个体对一串抗原的应答，没有「清晰度总量」这个跨抗原的量。 它能看见「对首个抗原强、对变体弱」，却没有一个天平把这两端称在一起，于是它有印记这个深刻的观察，却量不出比例、划不出可回写的边界。一个没有守恒量的领域，看得见此消彼长，说不出此消与彼长是同一笔。神经科学到不了，因为它把学与忘分给了不同的时间窗和不同的机制去研究。 学在清醒时、由增强类过程负责；忘在睡眠时、由削弱类过程负责。这个分工在方法上极有成效，却在起点上就把同一个动作切成了两件事——你没法在把它们分开测量的框架里，看见它们是一笔搬运的两端。一个按机制分工切开研究对象的领域，看不见被它切开的那条缝原本是一条线。三家的界限都不是能力问题：一个只给一端记分，一个没有守恒量，一个在方法上先把一分成了二。三者并排放着，那个共同的量——有限而守恒的清晰度——才显出来。
推论一。 任何「学而不忘」的目标，若不声明容量与相邻结构，都不是一个可达的目标，而是一次把账挪到别处的操作。它多半会以「旧任务保住了」的名义，把清晰度从「下一个要用的近邻」上悄悄借走。推论二。 对丁格的对象，最有价值的不是把目标学得更透，而是先判「要用处」落在哪里，再决定往哪个方向借清。把清晰度从「永不再用的旧变体」上借（丙格），是安全的；从「下一个流行的变体、下一代的对手、下一个反常」上借（丁格），是把一件越做越漂亮的事做成越做越危险的事。推论三。 一个系统若在其核心能力上不断精进而对近邻越来越钝，通常不该被诊断为「不够努力」或「数据不够」，而该先量它的借清率与落格。若它落在丁格，加码精进只会加深失能——努力在这里是反向的。
其一，本章只在容量有约束的系统里成立。容量近乎无限的地方，借清被稀释到可忽略，本章无话可说（但见反噬预言：无限容量本身是个幻觉）。其二，「相邻」依赖系统当前的表示怎么组织，跨系统比较借清率时必须先声明「近」的口径（清点手册第二栏），否则不可比。其三，本章不含笼统的价值判断：借清不是缺陷，它是学会的必然形态；丙格不是病，只有「让不可回写的一笔落在要用处、还以为自己只是学得好」才是。
按本章设计干预，最自然的做法是要求「学而不挤占」——设计一个学会新东西而不压低任何近邻的系统。这会以一种可以精确说出的方式落空：达成它最省事的办法，是把容量做大到挤占可忽略。而这只是把零和推到了更大的尺度——在更大的容量上，总量仍有上界，搬运仍在发生，只是每一笔小到当下测不出。等到问题在那个更大尺度上重新逼近容量边界，借清会原样回来，且因为一路都被读成「已经解决」，它回来时更难被看见。这正是没有免费午餐定理在单次学习内部的回声：你能把守恒推到更远，不能取消它。因此本章不推荐把「零挤占」做成一个达标项——它可被容量注水刷过，而注水恰恰喂大了下一次丁格。 本章只推荐一件不能被注水刷过的事：在系统精进其核心之后，去测它在核心的最近邻上、且是下一步要用到的那些近邻上，分辨力是升了还是降了。 这个动作测的是要用处的相邻，而要用处由未来定义、无法被当下的容量预先填满——要测就得真的等到用它的时候去测。
本章也是一次学会。它把「学会＝清晰度的搬运」这一小片分得很开——为此，它必然从相邻的直觉那里借走了清晰度。最近的那片相邻，是「学会就是纯粹的积累，多学一样不必少一样」这个几乎人人默认的想法。本章预测：读完本章的人，会在一段时间里对「确实存在纯增量学习」的反例变得不敏感——会倾向于把每一个「学 A 不影响 B」的例子，都硬读成「只是容量够大、借得太少而已」。这正是本章该被证伪的地方：如果有一类学习，可反复验证它在给定容量下学会新的而任何近邻都不掉，那么本章就是把一次借清（把「积累论」搬糊）误当成了发现。再问一层：本章落哪一格？一篇文章发表即完成，读者读完就放下，它自身可以被无代价地整个重写——就这一面看，它落甲格。但产出它的那套工序不然：它每处理一个题，就把某一小片直觉抬清一次，而每一次抬清都在相邻的直觉上欠一笔糊；做得越多，越可能在自己最擅长的那类判断的近邻上失去分辨——这是丁格的倾向。所以真正需要按本章自己的读数去查借清率的，不是这一篇，是产出这一篇的那套做法：它有没有在把「撤掉一个大家都默认、却没人单独说出的前提」这一手磨得越来越利的同时，对「有些前提本就不该撤」这个最近的邻居，越来越听不见。 本章没有能力量自己的这条借清率，只能把这个洞明写在这里。
本章提出并论证：学会一件事，对相邻东西的影响，不是要消除的干扰，也不是学之后另起的清除工序，而是同一个动作的另一端——学会就是把有限的清晰度从相邻区域搬到目标区域，没有搬走就没有学会。 本章称之为借清，读数是借清率：相邻区域的清晰度下降量与目标区域上升量之比。二维辨别表由两根轴张开——被借处可否回写，被借处是否落在要用处——指认唯一的靶格丁：不可回写，且落在要用处。它的反直觉之处在于随「学得好」加深而非随「学得差」出现，且在目标区域的每一项指标上都伪装成优异。免疫印记、母语关窗后的非母语对立、深度网络的表示坍缩，都落在这一格。十个领域的兑现中，免疫接种与睡眠两处反过来迫使命题收窄：不可回写要限定在「不引入新的高强度再刺激」之下，把清晰度搬回去的再校准本身也在借清、并不免费；容量可加则说明借清是「给定容量」下的守恒，不是绝对守恒——但加容量只能把守恒推到更大尺度，不能取消它。本章诚实交代：核心读数借清率，本章没有亲自在系统上跑出来一条；那次测量是本章所有主张里最便宜、最可复现、也最愿意押上的一条，第七节给了任何有一台机器的人都能照做的最省钱协议。最后给一条写死日期的赌注：
到 2033 年 12 月 31 日，若在机器学习、知觉学习、免疫学三者中的任何一个领域里，仍没有任何一项研究把「借清率」——学会某物时相邻处清晰度的下降量与该物清晰度上升量之比——作为独立于「容量不足」与「干扰覆盖」的变量单独测量，或测量之后未能重现「下降量随上升量成比例」的守恒关系，则本章的核心主张作废，不再申辩。
1. 本章所称「清晰度」是一个刻意跨领域的操作性名词，指把相近输入分辨开的能力，落在某一片输入区域上；在不同领域它由不同的量实现（分类可分度、克隆频率、辨别正确率、突触权重的相对配置）。跨领域使用的代价是精度的损失，本章用它换取的是「守恒」这一条能被同一把尺子检验的性质。2. 「相邻」始终指系统当前表示里的近，而非物理或语义上的近。同一对输入，在一个表示里相邻、在另一个里不相邻——这是借清率必须先声明「近」的口径的原因。3. 第六节的「收窄之二（睡眠）」与「收窄之三（容量）」是本章自己加在自己身上的约束，不是对既有文献的复述；把它们写出来是为了标明命题的适用边界，而非扩大它。4. 免疫、母语、知觉学习三处的转述依据公开文献的核心结论，未逐条核对原著页码；本章对它们的机制解释（读成同一次搬运的两端）由本章负责，不应归给原作者。5. 第七节所述测量本章未执行；「未执行」不等于「不可执行」，恰恰相反，它可执行且便宜，本章把补做它列为命题的一层。
本章由王德生与 Claude 共同署名。三个来源领域（机器学习、免疫学、神经科学）由 Claude 选定，选源刻意跨开了三门互不通用的学问，使它们对同一问题的回答互相排斥；承重判断的形成、二维辨别表、十领域兑现（含免疫、睡眠、容量三处对本章的收窄）、借清率的定义与清点手册、以及全部文字，由 Claude 生成；所依据的方法论框架与发表裁定由王德生给出。第七节所述的核心测量（借清率的实测）本章未执行，已在正文与注释中明写，并给出了可复现的最省钱协议；免疫侧与睡眠侧的两条印证性测量同样未执行、已指名。三个来源领域的转述依据公开文献的核心结论，未逐条核对原著页码；本章对它们的机制解释由本章负责。字数 纯汉字约 1.4 万 版本 v1.0 · 2026-08-11三边对「一个系统学会一件事时，对它没在学的东西发生了什么」给出互相排斥的答案：机器学习把它当作要消除的干扰（理想是学新而不忘旧）；免疫学把它当作学会本身的产物，第一次学得越牢、对近邻变体越认不出，而且极难改写；神经科学把它当作一道独立的、服务于一般化的主动清除工序。三家争的其实是同一件事该由谁裁、放哪儿、有多少，而它们共享了一个从未被单独说出的前提——学与对别处的影响是两件可分开的事。