AI「做梦」之后：我们重新理解大脑的发呆与学习

近期，Claude Code推出的Dreaming模式引发了AI圈的热议。紧接着，OpenClaw等Agent项目也陆续加入了类似的「梦境」机制。这并非单纯的功能迭代，而是暴露了一个深层需求：长期运行的智能体，需要在任务之间建立一套整理机制来消化经验、优化记忆。这一现象让人不禁联想到人脑的默认模式网络（Default Mode Network, DMN）。

从AI的「做梦」到人脑的默认模式网络

默认模式网络并非字面意义上的「做梦」，它是指大脑在没有明确外部任务时依然维持的内部活动状态。当我们发呆、散步、睡前胡思乱想时，大脑并未真正停工——它在回收白天的信息片段，将新经验与过往记忆重新连接，预演未来可能发生的情境。有趣的是，研究显示默认模式网络消耗了大脑60%至80%的能量。也就是说，大脑在「什么都不做」时，反而比执行具体任务时消耗更多能量。

AI智能体的记忆整理需求

Claude Code的Dreaming模式本质上是一个工程功能：让智能体在会话之间回顾过去的工作，整理记忆碎片，合并重复内容，清理过时信息，并生成下一轮行动的有用线索。OpenClaw等项目的类似机制则更进一步，引入了「浅睡眠」「深睡眠」「REM」「梦日记」等隐喻，用来处理短期记忆、长期记忆、模式提取和可读性复盘。这揭示了一个核心事实：智能不只发生在执行任务的瞬间，也发生在任务之后的「余波」里。

必要难度：学习不是低摩擦输入

这与认知科学家Bjork夫妇提出的「必要难度」（Desirable Difficulties）理论不谋而合。该理论指出：信息进入大脑时如果毫无摩擦，短期看似顺畅，长期却难以形成稳固的理解和记忆。相反，那些需要费力回想、间隔复习、交错练习的内容，反而更容易被真正吸收。学习不等于信息抵达——资料被收藏不代表被理解，概念被解释清楚也不代表形成了判断力。

被优化掉的学习本质

近年来AI工具的演化方向，本质上是在不断降低认知摩擦。从收藏工具到自动摘要，从知识库问答到Agent直接撰写方案，整个生态都在压低大脑的「写入难度」。这提高了效率，却也制造了新的幻觉——我们容易把「获得答案」误认为「完成学习」。当所有摩擦都被视为低效，那些真正有益于认知成长的困难也被一并删除了。费力地搜索一条笔记、艰难地回想一个概念、用自己的话重新组织材料——这些看似「不顺滑」的过程，恰恰是大脑在学习的关键时刻。

如有侵权，请联系删除。