做了个奇怪的梦？你的大脑可能变得更聪明了！
爱丽丝追着一只揣着怀表的兔子，进入了一个奇幻的地下世界，那里的动物会说话，食物可以让人变大变小，火烈鸟还被用来打门球。在童话《爱丽丝梦游仙境》中，这个奇幻的地下世界是小女孩爱丽丝的一个梦。
你是否也做过这样天马行空的梦？这些奇怪的梦对大脑有什么意义？受到深度学习领域的启发，神经科学家提出，奇怪梦境可能是大脑训练自己的一种方式。
▎研究背景
上世纪50年代，阿瑟林斯基（Eugene Aserinsky）与克莱特曼（Nathaniel Kleitman）通过记录睡眠中的脑电、眼电和肌电，发现了一种大脑高度活跃、眼球快速运动的特殊睡眠阶段——快速眼动（REM）睡眠，极大地推进了梦的研究。
他们唤醒并询问了处于不同睡眠阶段的志愿者，发现有74%的从REM期醒来的人报告自己做了梦，而这一比例在非快速眼动（NREM）睡眠期仅有17%。
后人通过修改询问方式（把“是否做了梦”改为“苏醒之前脑海中出现了什么”）并大量重复试验，认为REM睡眠与NREM睡眠都能产生梦境，且两种梦常常难以区分。
在做梦者主观回忆及描述的基础上，许多研究还结合了脑电记录、功能磁共振成像等客观评估。借助不同的研究和推测方法，不同时期的不同学者对于梦也持有不同的观点及猜想。
▎奇怪的梦
我们的大脑产生奇怪的梦，可能是为了用新奇的事物对抗单调乏味的日常生活。这其中存在一个自适应逻辑：如果动物的行为方式过于严格地遵从环境，它就会牺牲了归纳、理解和学习新事物的能力。
在人工智能领域，科学家将模型与给定的数据集高度拟合的现象称为「过拟合」。
举个例子来说，当用某个图片集训练人脸识别算法的时间过长时，算法可能会开始基于背景中的树木或其他物体来识别图片，这就违背了人脸识别的初衷。
人脸识别算法本应该学习一般规则，也就是不受表情或环境的影响来识别面部轮廓，但在过拟合的情况下，算法只是简单地记住了训练集。所以，我们的大脑努力炮制出陌生的梦境，是在帮助我们避免学习与日常生活「过拟合」吗？
塔夫茨大学的神经科学家埃里克·赫尔（Erik Hoel）认为这一猜想是可靠的。在他发表的一篇论文中，他阐述了自己的观点。赫尔表示，哺乳动物一直在学习，没有开关能关闭这个过程。
所以我们很自然地想到，哺乳动物也会遇到过度学习的问题，需要通过认知内稳态（cognitive homeostasis）来解决。过拟合大脑假说（overfitted brain hypothesis）认为当生物学习带来的效果逐渐偏向某一个方向时，生物体需要与之对抗，使认知回到更优的内稳态上。
在梦这个领域，赫尔的观点十分独特，不仅解释了奇怪梦境产生的原因，更提出了它们存在的目的。其他关于做梦的解释并没有真正回答为什么梦会变得奇怪，或者仅将它们解释为其他认知和生理过程的副产品。
这些观点回避了那些奇怪的梦，并表示真正奇怪的梦其实很少，即我们很容易高估自己梦境的奇怪程度。虽然我们通常更容易记住奇怪的梦，但研究表明大约80%的梦反映的都是正常活动，可能非常无聊。
▎研究介绍
瑞士伯尔尼大学研究人员的一项新研究表明，做梦有助于我们的大脑从以前的经历中学习和提取一般性概念。尤其是那些同时看起来很现实，但仔细观察后却很奇怪的梦。这项研究发表在eLife上，利用机器学习启发的方法和大脑模拟提供了一个关于梦的意义的新理论。
人们早已意识到睡眠对学习和记忆的重要性。这项研究的主要作者尼古拉斯·德佩罗瓦（Nicolas Deperrois）表示，但我们缺乏一个理论，将其与经验的巩固、概念的概括和创造力联系起来。
在睡眠中，我们通常经历两种不同的睡眠阶段：非快速眼动睡眠，即大脑「回放」清醒时经历的感官刺激；快速眼动睡眠，即大脑自发的强烈活动爆发产生的梦境。
研究人员通过模拟大脑皮层来模拟不同睡眠阶段对学习的影响。为了在人工梦中引入非实用性的元素，他们从一种叫做生成对抗网络（GANs）的机器学习技术中获得灵感。
在GANs中，两个神经网络相互竞争，从同一个数据集中生成新的数据，在这种情况下是一系列简单的物体和动物图片。这种操作产生了新的人工图像，对人类观察者来说，这些图像表面上看起来很逼真。
研究人员随后模拟了三种不同状态下的皮层：清醒、非快速眼动睡眠和快速眼动睡眠。在清醒时，模型会涉及到船、车、狗和其他物体的照片。在非快速眼动睡眠中，模型在一些遮挡的情况下重放。
快速眼动睡眠通过GANs产生新的感觉输入，生成扭曲但现实的版本和组合的船，车，狗等。为了测试模型的性能，一个简单的分类器评估如何容易地从皮层表征读取对象的身份（船，狗，车等）。
(a)在清醒时，皮层前馈通路学会认识到低水平的活动是由外部驱动的，反馈通路学会从高水平的神经元表征中重建它。这些高级表征储存在海马体中。
(b)在非快速眼动睡眠(NREM)期间，前馈通路学习重建受低水平扰动影响的海马回放的高水平活动模式，称为扰动梦。
(c)在快速眼动睡眠(REM)期间，前馈和反馈通路以对抗性方式运作，称为对抗性做梦。反馈通路通过多种海马记忆和自发皮层活动的组合产生虚拟的低水平活动。当前馈路径学习识别内部产生的低水平活动模式时，反馈路径学习愚弄前馈路径。
▎研究结果
研究组长表示，随着我们的模型学习，非快速眼动和快速眼动梦境变得更加现实。虽然非快速眼动梦境与醒着的经历非常相似，但快速眼动睡眠往往创造性地将这些经历结合在一起。
有趣的一点是，当快速眼动睡眠阶段在模型中被抑制时，或者当这些梦变得不那么具有创造性时，分类器的准确性就会下降。当非快速眼动睡眠阶段被移除时，这些表征往往对感觉扰动更敏感。
在学习过程中，受其结构和潜在活动的先验分布的限制，研究小组在自然图像上训练的皮层模型发展出丰富的潜在表征，以及产生看似合理的早期感觉活动的能力。
根据这项研究，清醒、非快速眼动和快速眼动睡眠似乎对学习有互补的功能：体验刺激、巩固体验和发现语义概念。
该结论证明了在快速眼动睡眠中的对抗性做梦对于学习根据对象语义组织的表征是必不可少的，这些表征通过在非快速眼动睡眠中的扰动做梦而得到改善和增强。总之，研究结果证明了梦的潜在作用，并表示眼动和非眼动睡眠在皮层表征学习中的互补功能。
原文来源：