你做奇怪的夢時，大腦可能正在訓練

杰瑞

在過去一年多的時間里，我們許多人的生活都變得單調了很多。我們經常與家人待在一起，去的地方也變少。換句話說，這段時間生活中的“刺激”不夠刺激了，我們清醒時的體驗變得類似、幾乎完全可以預測。

與此同時，我們的夢境卻變得更加奇怪，有了更多的變化和虛構的情節。作為一位研究夢和想象的認知科學家，這讓我感到好奇：我們的夢為什么會變得奇怪？夢境變得陌生會有什么作用嗎？

我們的大腦產生奇怪的夢，可能是為了用新奇的事物對抗單調乏味的日常生活。這其中存在一個自適應邏輯：如果動物的行為方式過于嚴格地遵從環境，它就會犧牲了歸納、理解和學習新事物的能力。在人工智能領域，科學家將模型與給定的數據集高度擬合的現象稱為“過擬合”。

舉個例子來說，當用某個圖片集訓練人臉識別算法的時間過長時，算法可能會開始基于背景中的樹木或其他物體來識別圖片，這就違背了人臉識別的初衷。人臉識別算法本應該學習一般規則，也就是不受表情或環境的影響來識別面部輪廓，但在過擬合的情況下，算法只是簡單地記住了訓練集。所以，我們的大腦努力炮制出陌生的夢境，是在幫助我們避免學習與日常生活“過擬合”嗎？

塔夫茨大學的神經科學家埃里克·赫爾認為這一猜想是可靠的。在最近發表的一篇論文中，他闡述了自己的觀點。赫爾說：“哺乳動物一直在學習，沒有開關能關閉這個過程。所以我們很自然地想到，哺乳動物也會遇到過度學習的問題，需要通過認知內穩態來解決。‘過擬合大腦假說’認為當生物學習帶來的效果逐漸偏向某一個方向時，生物體需要與之對抗，使認知回到更優的內穩態上。”

在夢這個領域，赫爾的觀點十分獨特，不僅解釋了奇怪夢境產生的原因，更提出了它們存在的目的。其他關于做夢的解釋并沒有真正回答為什么夢會變得奇怪，或者僅將它們解釋為其他認知和生理過程的副產品。這些觀點回避了那些奇怪的夢，并表示真正奇怪的夢其實很少，即我們很容易高估自己夢境的奇怪程度。雖然我們通常更容易記住奇怪的夢，但研究表明大約80%的夢反映的都是正常活動，可能非常無聊。

夢的“連續性假說”認為夢境只是再現了人清醒時的生活。確實，我們大多數夢（雖然大多數我們可能都不記得）都屬于這一類。但連續性假說并不能解釋，為什么某些事情在夢中出現得更頻繁。比方說，許多人在清醒時會花大量的時間在電腦屏幕前工作、玩游戲、看電影和讀書，但你會經常夢見自己坐在電腦前嗎？根據連續性假說，夢中一些活動的比例會反映其在現實生活中的比例，但這顯然不是事實。

另一類理論認為，夢的存在是為了幫助人演習現實世界中會發生的事件，這類理論得到了很多研究的支持。這些研究發現睡眠尤其是夢，對學習和記憶十分重要。瑞典舍夫德大學的認知神經學家安蒂·瑞文蘇依據夢境的這種特征，提出了兩個理論。

其中一個是“威脅模擬理論”，該理論認為夢可以為真實世界存在的危險提供練習，這可以解釋為什么70%的夢都是痛苦的。后來，瑞文蘇擴展了這一理論，認為夢可以為真實生活中的大部分情境提供練習。這些理論可以解釋，為什么我們會相信夢中看到的事情是真的：因為如果我們沒有把夢境當作真實，就不會認真對待它們，從中學習的效果就會減弱。

除此之外，從大腦結構來看，我們之所以會把夢當作現實，是因為背外側前額葉皮層（DLPFC）在做夢時神經活動會降低，這一腦區可以監測生活中的異常情況。DLPFC在清醒夢（特點是做夢人能意識到自己在做夢）中更為活躍，也能證實這一理論。

另一種理論認為奇怪的是大腦活動的副作用。“隨機激活理論”提出，夢的產生是因為前腦試圖理解由大腦后部在睡眠時發出的混亂而無意義的信息。在這種觀點下，奇怪的夢境沒有任何功能，不過腦干的隨機活動是有意義的。麥吉爾大學的神經科學家芭芭拉·瓊斯注意到，腦干調控的是性和跑步等，而類似的場景也經常出現在夢中。

與其他假說不同，赫爾的假說直面夢的怪異之處，并賦予了它們意義。赫爾認為奇怪的夢有助于防止大腦過擬合，這一問題同樣困擾著機器學習領域的研究人員。過擬合指的是關注訓練集中無關的細節，停止學習是處理這類情況的一種方法。更廣泛的一種處理方法是引入噪聲，即輸入失真的信息。引入噪聲會使得深度學習神經網絡無法確定訓練集中特異信息的重要性，從而更可能關注一般性的信息，因此可以在現實世界中更好地工作。赫爾認為，奇怪的夢與訓練類神經網絡時引入噪聲的功能相似：提供一些失真的輸入，以防止大腦將清醒時的生活和“訓練集”過度擬合。

有趣的是，一些實驗已經證實，過擬合會發生在人類身上，而睡眠可以消除過擬合。簡而言之，夢之所以奇怪，是因為我們需要它們如此。如果夢境與現實生活太相似，過擬合會加劇而不是消除。一般來說，即使是感覺很真實的夢通常也不會與真實事件完全相同。

類似于其他認為做夢幫助人學習應對現實世界的觀點，赫爾的假說認為睡眠是進行“離線”學習的最佳時間。扭曲的經歷或失真的輸入如果發生在我們清醒的時候，會分散注意力，甚至會產生危險。而我們之所以會忘記很多夢，可能就是為了不與真實發生的事情混淆。畢竟大腦只是想要用它訓練神經網絡，并不想創造新的記憶來與現實混淆。

那機器學習能幫助我們推測出“最佳”的奇怪夢境嗎？赫爾說：“或許可以吧，但我更傾向于另一個方向，即深度學習更應該借鑒神經科學研究。我們希望向程序輸入的數據足夠不同，但又不會太離譜以至于超出它的處理能力。”

這一切表明，夢應該具有某種“最佳”的奇怪程度。不過“奇怪”不是一個容易衡量的維度。赫爾說：“這很像是文學和藝術。比如一首好的詩既不能讓人完全看不懂，又不能過于淺白，它需要在詞語的變化和隱喻中找到恰當的位置。‘恰到好處’最能幫助大而復雜的大腦解決過度學習、過度記憶和過擬合等一系列問題。”

受到大腦結構的啟發，科學家開發出了類神經網絡，但隨著深度學習的發展，人工智能大多被用于創造更智能的機器，而不是模擬和理解人類的思維。但是越來越多在深度學習領域的發現仍然啟發了我們關于大腦如何工作的新理論。為了更好地學習，神經網絡需要學習到一些奇怪的、無意義的數據。或許，我們人類也需要。