梦的荒诞是有用的：一个来自人工智能的新解释

关于梦，有一个问题长期没被认真对待：梦为什么非得那么怪？

如果梦的功能是巩固记忆，那把白天的事原样重播一遍显然效率更高。可实际的梦从不这样——地点会变，人会换脸，因果会断裂，你会在办公室里遇见小学同学。这种荒诞如此稳定、如此普遍，看起来更像是设计的一部分，而不是噪声。

一个从机器学习借来的答案

2021 年，神经科学家 Erik Hoel 提出了过拟合大脑假说。它的类比来自训练神经网络时一个人人都会遇到的麻烦。

用一批数据反复训练模型，模型会在这批数据上表现越来越好，却在没见过的数据上越来越差——它把训练集里的偶然巧合当成了普遍规律。这个毛病叫过拟合。

工程上的标准对策是数据增强：把训练图片随机旋转、裁切、加噪、调色，人为制造变体喂给模型。目的不是让它认识这些歪图，而是逼它别死记表面细节，去抓真正的规律。

Hoel 的主张是：梦就是大脑给自己做的数据增强。白天的经验太单调、太局限，如果只用它训练，大脑同样会过拟合到日常那一小片天地里。所以夜里它主动生成扭曲的、组合错乱的经验变体——梦的荒诞不是副产品，而正是它的功能所在。

这个假说好在哪

它解释了几件旧理论解释得别扭的事。

第一，梦为什么非要变形。数据增强的价值恰恰在于"和原样不同"，原样重播没有增强效果。

第二，为什么白天学的新技能当晚特别容易进梦，而且梦里的版本总是歪的。新技能正是最容易过拟合的地方，也最需要变体训练。

第三，为什么剥夺睡眠会明显损伤泛化能力——从例子里提炼规律、把学过的东西用到新场合，这类任务受睡眠不足的影响，比单纯的记忆背诵更严重。

2022 年有研究者据此搭了计算模型，用类似做梦的机制训练网络，确实观察到表征更鲁棒。这不算直接证明大脑就这么干，但至少说明这条路径在原理上走得通。

也得说清它的边界

这是一个假说，不是定论。它目前主要靠类比和计算模拟支撑，缺少直接的生理证据——没人测出"大脑正在做数据增强"这件事。

它和其他解释也不互相排斥。关于做梦为什么存在，主流至少有五种假说，情绪调节、威胁演练、记忆巩固各有各的证据。梦很可能不只干一件事。

换一个看待怪梦的角度

如果这个假说方向没错，那么"我怎么老做莫名其妙的梦"就不是什么需要担心的事。荒诞是这项工作的方法，不是它出了故障。

更值得留意的反倒是另一种情况：梦一遍遍原样重复、几乎不变形。创伤后的噩梦常有这个特征，那可能说明加工卡住了，而不是在正常进行。