為什麼我們會做奇怪的夢？人工智慧研究或許有了答案

出品：放牛班的秘密花園

編譯：Sail2008

人工神經網路不會做夢，但它們會學習，人工智慧研究的最新成果能幫助我們理解為什麼我們會做夢。

普通人每晚都會做三到五個夢，大多數（但並非所有）的夢都是在快速眼動睡眠中產生的。許多動物也會做夢。哺乳動物會經歷快速眼動睡眠階段，鳥類和爬行動物也有類似跡象。最近的研究表明，章魚或墨魚也會做夢，它們在睡眠中可能會經歷一種類似快速眼動的狀態，甚至在睡眠過程中會變色。

做夢僅僅是其它大腦功能的副作用還是有其自身目的，研究人員對此意見不一。當代主流理論認為，夢與記憶的加工處理和儲存有關，甚至是由它們引起的。

發表在《Patterns》雜誌上的一篇新論文提出一個新假設：做夢是大腦試圖對我們的經驗進行概括，就像必須用隨機性來教計算機如何識別真實世界的資料一樣。

仿生人夢見電子羊

1968年，菲利普·K·迪克寫了一本著名的科幻小說《仿生人會夢見電子羊嗎？》

《仿生人會夢見電子羊嗎？》

我們還沒辦法問機器人這個問題，但我們有人工神經網路。這項新研究結果表明，它們能揭開其夢幻面紗的一角。

論文作者埃裡克·赫爾（Erik Hoel）將他的觀點稱為

“過度擬合大腦假說

”（overfitted brain hypothesis）。

它部分基於人工神經網路的學習過程，後者是尋找大型資料集模式的計算機演算法。這些系統通常得到的訓練資料與它們以後要分析的資料相似，但不完全相同。實踐資料常常被故意用額外的噪聲和混亂汙染，這樣做是為了防止“過度擬合”（ overfitting）——換句話說，是為了防止神經網路變得過於“狹隘”而無法識別全域性。

翻譯一下：

人工神經網路經常遭到“過度擬合”的困擾。這意味著，當它們學會在一個特定資料集中發現特定模式時，它們會變得非常擅長在那個資料集中發現那些模式，但它們無法進行概括。

這就是為什麼從人工智慧中解讀出的資訊在廣泛適用性方面非常有限的一個原因。它們非常擅長做特定事情，但將其引入一個不同型別的新資料集時，它們的效能通常會顯著下降。

赫爾的解決方案是故意引入噪聲。在訓練資料集中新增一點噪聲，系統就必須設法適應那些煩人的意外新資料。而這通常會產生稍微普遍一些的模式識別。

夢是故意設定的噪聲

赫爾博士的新假設認為，大腦透過做夢做了同樣的事情。“夢的致幻性、類別突破性和寓言性”使我們的大腦能引入“扭曲或錯誤的感官資訊來進行思考。

這樣一來，夢的奇異性就成了特色而非缺陷。

赫爾認為夢是故意設定的噪聲，它使我們能將我們的行為和思維過程概括到新環境中。

日本動漫電影《盜夢偵探》

透過偶爾給我們呈現奇異的世界，大腦使我們免於過分專注於任務的具體細節，而是能更好地進行概括。赫爾博士以相當詩意的方式總結了這一點：“做夢是為了防止你與世界模式的過度擬合。”

虛擬現實和影片充當人造夢？

赫爾博士認為這方面的證據已經存在。研究表明，在醒著的時候重複執行一項新任務是確保當晚會夢到它的好方法。他提出，類似這樣的行為會觸發大腦對過度擬合的防禦機制，結果就是做奇怪的夢。

如果它是正確的，那麼睡眠剝奪對記憶能力的影響將不同於對概括能力的影響。赫爾博士指出，在檢驗睡眠或夢境剝奪是否會影響老鼠對恐懼進行概括的能力時，一個設計良好的測試能為他的假設提供證據。追蹤夢引起的突觸變化或許也是一個值得探索的途徑。

赫爾博士提出，如果過度擬合理論是正確的，那麼類似夢境的刺激，比如虛擬現實或影片，都能提供與做夢類似的好處。

他說這也可以作為實驗的基礎，以檢驗該假設及其潛在應用：

“比如說，一個執飛很長時間的飛行員開始與任務過度擬合，快速而密集地暴露在完全不同的視覺刺激（如虛擬現實中夢幻般的自然場景）下能避免睡眠剝奪的部分影響。替代效應既能在行為上檢測，也能在快速眼動反彈期的神經生理水平上檢測。”

他還展望了將小說或電影作為人造夢完成相同功能的可能性。或許藝術實際上有更深層次的潛在認知效用，那就是透過充當人造夢來提高概括能力和防止過度擬合。

赫爾博士的觀點未必會排除其他有相當數量實證支援的睡眠或夢假說。重要的是，他還提出了一些方法來檢驗由該假說做出的預測。

宣告：著作權所有，轉載需授權

Come on，給你的靈魂充充電