很多時候，做夢使我們快樂。在睡眠狀態(tài)中，繁雜的視覺和聽覺片段混雜在一起，構成荒誕又情節(jié)豐富的夢境。零散的真實回憶穿插在逼真的虛構場景中，有些出場人物我們原本就認識，有些是憑空想象。
我們有時沉浸于夢境的美妙，有時又不得不在夢里直面內心深層的恐懼。然而，睡眠和夢境并不僅僅是為了豐富我們的夜間生活而存在的。
我們睡覺的時候，大腦正在忙于過濾清醒時收集到的信息。神經活動開始進入工作狀態(tài)——丟棄無關信息，加固重要信息，建立和存儲記憶。
這套高效的工作機制普遍存在于哺乳動物之中，近期一個來自意大利的研究團隊對它進行了數學建模，并應用在了人工智能領域。
他們創(chuàng)造出了一套可以強制命令人工網絡進入離線睡眠狀態(tài)的算法。在睡眠狀態(tài)的時候，人工網絡可以加固重要記憶，抹除無關信息，從而拓展信息存儲容量。
Adriano Barra 是意大利薩蘭托大學的一名理論物理學家。我們在交談的時候，他始終言詞懇切、興致盎然，不停地擺弄著一盒萬寶路香煙，拿它作為一個臨時道具跟我說明 A.I。(artificial intelligence，人工智能)的細節(jié)問題。
Elena Agliari 和 Alberto Fachechi 是 Barra 的同事，他們三個人一起研究了很多復雜的生理系統(tǒng)，并將它們的神經生物學過程轉換為數學模型，例如大腦。
“跟工程師相比，我們搞理論物理學的有一個很微弱的優(yōu)勢，” Barra 說，“數學是放之四海而皆準的，使用它也不怎么花錢，所以我們可以把我們的研究結果直接應用在人工智能領域。我們可以起到在神經生物學和工程學之間搭建橋梁的作用。”
人工神經網絡的經典模型是 Hopfield 模型，由 JohnHopfield 于 1982 年提出，KUKA機器人電路板維修，它描述了人工網絡如何通過模仿真實的大腦機制(如模式識別)來學習和檢索信息。
Hopfield 模型運用了一個十分出名的學習法則，叫做赫布型學習(Hebbian Learning)。赫布型學習解釋了神經元之間的突觸強度在學習過程中是如何增加的。
然而這個模型是有缺憾的。Hopfield 模型是二十多年前提出來的老模型了，并且它只能儲存有限量的數據。用數學來表示的話，這個對稱網絡的最大存儲容量僅為 α～0.14。但是理論上，容量最大可以達到1，或者 α=1。
一個神經網絡的存儲容量是由它包含的神經元數量 (n) 來決定的。每一比特的信息(比方說一個數碼像素)，都是一個單獨的信息圖式 (p)。Barra 指出，“這里最多能存儲的信息圖式的數量，也就是 p，等于0.14倍的 n ”。
那么，為什么實際能存儲的信息量比理論值少了那么多？為什么系數是0.14而不是1呢？
神經網絡在喚醒(在線)狀態(tài)時，工業(yè)機器人維修，始終不停地在接收新的信息圖式。然而除了有用的圖式之外，無關的、甚至錯誤的圖式也會一并被收集起來。
“你原本是想讓神經網絡去存儲一些重要的信息，但是它會把錯的也給你存起來，”Barra說，“這沒辦法避免。這都是自發(fā)生成的。”
Barra 拿起了萬寶路，又拿了一包駱駝牌香煙來類比，“如果你不停地存儲關于這兩包香煙的細節(jié)信息，比如說駱駝牌是藍色的，萬寶路是紅色的，與此同時，你實際上也在接收所有的冗雜無關信息，最終你的神經網絡就會卡死。”因為充斥著大量的無關和錯誤信息，所以實際最大容量只能達到0.14這個水平。
雖然有限的存儲容量并不會干擾 A.I。 處理一些具體任務，但是寶貴的空間就這樣被無效數據霸占著，既浪費又低效。
為了解決這個問題，這個來自意大利的研究團隊提出了一種算法，它可以強制命令神經網絡像哺乳動物一樣進入睡眠(離線)狀態(tài)，并且在睡眠中穩(wěn)固重要信息，清除無關信息。
“這跟睡眠是息息相關的，”Barra說，“因為如果你不設法解決掉這些無效的內容，它們越來越多，神經網絡最終會失去分辨萬寶路和駱駝香煙的能力。”
哺乳類動物的大腦也在時刻不停地收集信息，但就像只知道一股腦拋網的漁船一樣，有用的和沒用的都會被撈上來。哺乳動物的大腦里也塞滿了無關緊要的東西。
“醒著的時候，你會被動地接收很多信息，實際上你根本不需要，你也不想把它們記在腦子里，”Barra解釋說，“我們同樣會加工出無效和錯誤的信息圖式。我們解決這個問題的方法，就是睡覺。”
做夢一般發(fā)生在快速眼動睡眠階段(Rapid Eye Movement， REM)，在這個階段我們的大腦正忙于抹除無關的記憶，為存儲新信息騰地方。在慢波睡眠階段(Slow-wave， SW)，重要記憶會被鞏固強化。
雖然大多數時候做夢都是發(fā)生在 REM 階段，但是在慢波睡眠階段我們也可能會做夢，只是這些夢往往很模糊，也更難回想起來。
研究團隊已經知道哺乳動物的大腦會高效地在睡眠期間清除緩存，釋放空間。他們對這一事實的分析，是算法誕生的起點。
“我們當時商量說，好，那就過一遍所有對這個現(xiàn)象進行解釋的神經生物學的文章，然后試試把它用數學模型表達出來吧，”Barra 介紹說，“隨后我們開始想，如果把這個數學結構應用在 Hopfied 模型上會怎么樣？”
他們的成果發(fā)表在了4月份的《神經網絡》NeutralNetworks 雜志上。根據這個新的算法框架，人工神經網絡在標準在線(喚醒)模式時，會持續(xù)學習和存儲信息圖式(即記憶)；但當存儲容量到達0.14的水平時，神經網絡會強制進入離線(睡眠)模式。
在睡眠模式中，無關信息會被刪除，重要信息會被進一步穩(wěn)固，或者用更專業(yè)的話來說，就是“偽圖式移除(spurious-pattern removal)和真圖式強化(pure-pattern reinforcement)。”
研究團隊發(fā)現(xiàn)通過實施離線模式，存儲空間得到了釋放，并且系數可以達到理論值1。
進化促使哺乳動物的大腦自行發(fā)展出了一套賴以生存的標準，并以這個標準為依據來決定什么樣的信息要加強，什么樣的要被剔除。但是人工神經網絡需要人類來規(guī)定這個標準。
“它們(神經網絡)離不開人的授意，所以我們必須得告訴它‘這個很重要，你要留意；那個是不重要的’，”Barra說，“它們沒有‘重要’這個概念。”
此外，還有一些技術上的差異。舉個例子，對于人類的大腦來說，清除信息和加固信息分別發(fā)生在兩個獨立的睡眠階段(REM和SW)；然而神經網絡是在睡眠狀態(tài)同時進行這兩項任務的。
也許人類睡眠和機器睡眠最重要的區(qū)別，是在于我們有絕對的自主權決定要不要睡覺或打個瞌睡。人工神經網絡睡不睡覺則完全聽命于數學算法；當然了，它們也不用蓋溫暖的小被子。