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，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它們的活動，從而讓人們進入夢境。

在大多數情況下，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，然后神經系統開始發揮作用——拋棄不相關的東西，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，結果得出了一種算法，即通過強制它們進入離線睡眠狀態來擴展人工智能網絡的存儲容量，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，并為人類大腦制作了神經生物學的數學模型。

“我們的理論物理學家比工程師有著一些優勢，”Barra說。“由于數學模型是相同的，所以我們可以將我們的結果應用于人工智能。我們是神經生物學和工程學之間的橋梁。”

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在的人工智能神經網絡的一些問題。

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

Hopfield神經網絡是一種單層互相全連接的反饋型神經網絡，網絡中的每一個神經元都將自己的輸出通過連接權傳送給所有其他神經元，同時又接收著其他神經元傳遞過來的信息。

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

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

處于“清醒”或在線狀態的人工智能神經網絡總是在學習新的信息模式。然而，除了理想的模式，他們還收集不相關的，甚至是假的模式。神經網絡可以通過網絡儲存重要的模式，但存儲錯誤不可避免地會出現，導致不相關的假模式同樣被儲存。