另一类理论认为 ， 梦的存在是为了帮助人演习现实世界中会发生的事件 ， 这类理论得到了很多研究的支持 。 这些研究发现睡眠尤其是梦 ， 对学习和记忆十分重要 。 瑞典舍夫德大学（University of Sk?vde）的认知神经学家安蒂·瑞文苏（Antti Revonsuo）依据梦境的这种特征 ， 提出了两个理论 。
其中一个是“威胁模拟理论”（threat simulation theory） ， 该理论认为梦可以为真实世界存在的危险提供练习 ， 这可以解释为什么70%的梦都是痛苦的 。 后来 ， 瑞文苏扩展了这一理论 ， 认为梦可以为真实生活中的大部分情境提供练习 。 这些理论可以解释 ， 为什么我们会相信梦中看到的事情是真的：因为如果我们没有把梦境当作真实 ， 就不会认真对待它们 ， 从中学习的效果就会减弱 。
除此之外 ， 从大脑结构来看 ， 我们之所以会把梦当作现实 ， 是因为背外侧前额叶皮层（DLPFC）在做梦时神经活动会降低 ， 这一脑区可以监测生活中的异常情况 。 DLPFC在清醒梦（lucid dreaming ， 特点是做梦人能意识到自己在做梦）中更为活跃 ， 也能证实这一理论 。

文章图片
图3/3

另一种理论认为奇怪的梦是大脑活动的副作用 。 “随机激活理论”（random activation theory）提出 ， 梦的产生是因为前脑试图理解由大脑后部在睡眠时发出的混乱而无意义的信息 。 在这种观点下 ， 奇怪的梦境没有任何功能 ， 不过脑干的随机活动是有意义的 。 麦吉尔大学（McGill University）的神经科学家芭芭拉·琼斯（Barbara Jones）注意到 ， 脑干调控的是性和跑步等 ， 而类似的场景也经常出现在梦中 。
与其他假说不同 ， 赫尔的假说直面梦的怪异之处 ， 并赋予了它们意义 。 赫尔认为奇怪的梦有助于防止大脑过拟合 ， 这一问题同样困扰着机器学习领域的研究人员 。 过拟合指的是关注训练集中无关的细节 ， 停止学习是处理这类情况的一种方法 。 更广泛的一种处理方法是引入噪声 ， 即输入失真的信息 。 引入噪声会使得深度学习神经网络无法确定训练集中特异信息的重要性 ， 从而更可能关注一般性的信息 ， 因此可以在现实世界中更好地工作 。 赫尔认为 ， 奇怪的梦与训练类神经网络时引入噪声的功能相似：提供一些失真的输入 ， 以防止大脑将清醒时的生活和“训练集”过度拟合 。
人脑和算法的相同之处
有趣的是 ， 一些实验已经证实 ， 过拟合会发生在人类身上 ， 而睡眠可以消除过拟合 。 简而言之 ， 梦之所以奇怪 ， 是因为我们需要它们如此 。 如果梦境与现实生活太相似 ， 过拟合会加剧而不是消除 。 一般来说 ， 即使是感觉很真实的梦通常也不会与真实事件完全相同 。
类似于其他认为做梦帮助人学习应对现实世界的观点 ， 赫尔的假说认为睡眠是进行“离线”学习的最佳时间 。 扭曲的经历或失真的输入如果发生在我们清醒的时候 ， 会分散注意力 ， 甚至会产生危险 。 而我们之所以会忘记很多梦 ， 可能就是为了不与真实发生的事情混淆 。 毕竟大脑只是想要用它训练神经网络 ， 并不想创造新的记忆来与现实混淆 。
那机器学习能帮助我们推测出“最佳”的奇怪梦境吗？赫尔说：“或许可以吧 ， 但我更倾向于另一个方向 ， 即深度学习更应该借鉴神经科学研究 。 我们希望向程序输入的数据足够不同 ， 但又不会太离谱以至于超出它的处理能力 。 ”
这一切表明 ， 梦应该具有某种“最佳”的奇怪程度 。 不过“奇怪”不是一个容易衡量的维度 。 赫尔说：“这很像是文学和艺术 。 比如一首好的诗既不能让人完全看不懂 ， 又不能过于浅白 ， 它需要在词语的变化和隐喻中找到恰当的位置 。 ‘恰到好处’最能帮助大而复杂的大脑解决过度学习、过度记忆和过拟合等一系列问题 。 ”