所有人都會做夢。人在睡眠的時候，腦細胞同樣也進入了休息和放松的狀態(tài)，但有一部分腦細胞并沒有完全休息，一些微弱的刺激就會引發(fā)它們的活動，從而讓人們進入夢境。

在大多數(shù)情況下，夢是使人愉快的。當我們睡覺時，我們記憶中的視覺和音頻碎片結(jié)合成無意義的片段和全新的故事。松散的回憶瞬間融合了生動、形象的場景，在夢中我們會與已知人物形成的角色進行互動。

做夢并不是睡眠的副產(chǎn)品，而是我們大腦工作的必要過程之一。做夢時，我們的大腦過濾了清醒時收集的信息，然后神經(jīng)系統(tǒng)開始發(fā)揮作用——拋棄不相關(guān)的東西，鞏固重要的東西，以及形成和儲存記憶，這些機制在整個哺乳動物界幾乎都是相同的并且非常行之有效。

那么問題來了：人工智能也需要同樣的機制來過濾、處理信息嗎？

意大利的一組科研人員在數(shù)學模型上模擬了這個過程，并將其輸入了一個人工智能系統(tǒng)，結(jié)果得出了一種算法，即通過強制它們進入離線睡眠狀態(tài)來擴展人工智能網(wǎng)絡(luò)的存儲容量，在此期間它們強化有用的存儲信息并刪除了不相關(guān)的信息。

Adriano Barra是意大利薩蘭托大學的理論物理學家。Barra與他的同事Elena Agliari和Alberto Fachechi正在研究大腦這樣復雜的系統(tǒng)，并為人類大腦制作了神經(jīng)生物學的數(shù)學模型。

“我們的理論物理學家比工程師有著一些優(yōu)勢，”Barra說?！坝捎跀?shù)學模型是相同的，所以我們可以將我們的結(jié)果應用于人工智能。我們是神經(jīng)生物學和工程學之間的橋梁?！?/p>

在搞清楚“做夢模型”能為人工智能帶來什么之前，我們先要了解一下現(xiàn)在的人工智能神經(jīng)網(wǎng)絡(luò)的一些問題。

人工智能神經(jīng)網(wǎng)絡(luò)的經(jīng)典藍圖之一是Hopfield模型。它由John Hopfield于1982年開發(fā)，這個模型描述了人工智能神經(jīng)網(wǎng)絡(luò)如何模仿真實大腦的模式識別等機制來學習和檢索信息。這個模型雖然發(fā)明于30多年前，但是一直沿用至今，并且在機器學習、聯(lián)想記憶、模式識別、優(yōu)化計算等方面依然存在著廣泛的應用，是現(xiàn)今人工智能進行深度學習的重要理論基礎(chǔ)之一。

Hopfield神經(jīng)網(wǎng)絡(luò)是一種單層互相全連接的反饋型神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)中的每一個神經(jīng)元都將自己的輸出通過連接權(quán)傳送給所有其他神經(jīng)元，同時又接收著其他神經(jīng)元傳遞過來的信息。

Hopfield神經(jīng)網(wǎng)絡(luò)最受歡迎的學習規(guī)則是赫布學習法，它提出了在學習過程中如何加強神經(jīng)元之間的突觸（一個神經(jīng)元的沖動傳到另一個神經(jīng)元或傳到另一細胞間的相互接觸的結(jié)構(gòu)）。赫布學習法對全球的人腦研究做出了巨大的貢獻，對現(xiàn)今的神經(jīng)科學、認知科學、計算機科學、行為科學等研究產(chǎn)生著深遠的影響。

然而，這個經(jīng)典藍圖存在一個缺點，通常情況下它只能存儲有限數(shù)量的信息。以數(shù)學的方式表示，即該對稱網(wǎng)絡(luò)的最大存儲容量為 α~0.14。但是，理論極限是1，或α= 1。

處于“清醒”或在線狀態(tài)的人工智能神經(jīng)網(wǎng)絡(luò)總是在學習新的信息模式。然而，除了理想的模式，他們還收集不相關(guān)的，甚至是假的模式。神經(jīng)網(wǎng)絡(luò)可以通過網(wǎng)絡(luò)儲存重要的模式，但存儲錯誤不可避免地會出現(xiàn)，導致不相關(guān)的假模式同樣被儲存。