DOI: 10.61373/bm026p.0045
要理解睡眠为什么必要，首先得理解清醒状态对大脑来说意味着什么。
人的大脑大约有 860 亿个神经元，它们之间形成的突触连接数量是一个天文数字。这些连接不是固定不变的，而是在不断地根据外界刺激和内部活动进行调整。清醒的时候，大脑要处理海量的感觉信息，形成新的记忆，不断调整突触强度。这些活动累积起来会导致几个问题：突触被过度增强，连接趋于饱和，代谢废物不断堆积，神经活动中的噪声越来越多。
如果没有一个定期的校准机制，这个网络就会逐渐偏离最优的工作状态。打个不完全准确的比方，这就像一台长时间不重启的电脑，运行的程序越来越多，内存占用越来越高，系统变得越来越慢，最终可能崩溃。大脑当然不会像电脑那样直接死机，但它会出现认知效率下降、注意力涣散、情绪不稳定等问题，这些都是我们在熬夜后能切身感受到的。
睡眠就是这个校准机制。从系统层面看，睡眠做了几件关键的事情。第一，它对突触强度进行重新归一化，把清醒时被普遍增强的突触整体下调，防止饱和，同时保留相对重要的连接差异。第二，它对大规模脑网络的连接方式进行重组，让不同脑区之间的通信模式回到更高效的状态。第三，它清除代谢废物，包括与阿尔茨海默病密切相关的 β 淀粉样蛋白。第四，它让大脑的动态活动回到一个被称为临界态的最优工作区间，在这个区间里，信息处理效率和网络灵活性都是最高的。
表1：生物睡眠机制及其在人工神经网络（ANN）中的对应机制的比较
这里需要区分三个容易混淆的概念。稳定性是指网络在小幅波动下维持功能状态的能力。鲁棒性是指系统在噪声、参数漂移或部分损伤下仍能保持功能的能力。韧性则是一个更宽泛的概念，它描述的是系统吸收干扰、重组内部动态、并随时间恢复适应性表现的能力。睡眠的作用不仅仅是稳定或优化，而是主动支持长期的可恢复性和适应能力。
实证研究也支持这个框架。脑成像研究发现，在非快速眼动睡眠期间，大脑的网络模块化程度增加，不同模块之间的不必要串扰减少，这有利于局部恢复。而在快速眼动睡眠期间，大脑呈现出更高的全局整合度，这可能有利于情绪和记忆的处理。这两种状态交替出现，构成了一种同时优化局部和全局鲁棒性的策略。
理论模型同样给出了佐证。统计物理和信息论的研究表明，运行在临界态附近的系统需要类似休息的阶段来修剪冗余信息、恢复最优的状态分布。如果一直处于信息输入和学习状态，系统会不可避免地走向次优配置。睡眠正是进化为这个需求提供的解决方案。
很多人以为睡眠就是大脑停止工作、进入休息状态。这其实是一个误解。睡眠期间大脑的活动量并不低，而且它不是一个均匀的状态，而是由非快速眼动睡眠和快速眼动睡眠这两个截然不同的阶段交替组成的。这两个阶段各有各的任务，配合起来完成对大脑网络的全面维护。
先看非快速眼动睡眠，特别是其中的慢波睡眠阶段。这个阶段的脑电特征是高振幅、低频率的慢波，频率低于 1 赫兹。这些慢波会在大范围的皮层区域同步神经元群体的活动。功能磁共振和脑电图研究发现，在这个阶段，大脑网络的模块化程度增加，全局效率降低，神经活动的熵值也显著下降。熵值下降意味着噪声减少、系统进入一个相对有序的状态，这有利于纠错和模式强化。
图1：睡眠作为一种系统级弹性机制，能够增强生物和人工系统的网络鲁棒性，其示意图概述如上
睡眠作为一种系统级弹性机制，能够增强生物和人工系统的网络鲁棒性，其示意图概述如下。左侧展示了生物睡眠的核心过程，包括突触下调、海马重放和淋巴系统清除，这些过程能够重新规范连接、巩固记忆、清除代谢废物，并在清醒状态下受到扰动后恢复关键的动态特性。右侧则展示了人工神经网络中类似的、受睡眠启发的机制，例如权重衰减、通过重放缓冲区进行经验重放以及噪声注入，这些机制能够减轻灾难性遗忘、防止过拟合和饱和，并在持续学习过程中改善长期稳定性与可塑性之间的权衡。图中中央的大脑-微芯片混合体象征着神经网络和人工网络在概念和机制上的相似性，左侧代表生物睡眠，右侧代表受睡眠启发的芯片。
睡眠作为一种系统级弹性机制，能够增强生物和人工系统的网络鲁棒性，其示意图概述如下。左侧展示了生物睡眠的核心过程，包括突触下调、海马重放和淋巴系统清除，这些过程能够重新规范连接、巩固记忆、清除代谢废物，并在清醒状态下受到扰动后恢复关键的动态特性。右侧则展示了人工神经网络中类似的、受睡眠启发的机制，例如权重衰减、通过重放缓冲区进行经验重放以及噪声注入，这些机制能够减轻灾难性遗忘、防止过拟合和饱和，并在持续学习过程中改善长期稳定性与可塑性之间的权衡。图中中央的大脑-微芯片混合体象征着神经网络和人工网络在概念和机制上的相似性，左侧代表生物睡眠，右侧代表受睡眠启发的芯片。
慢波睡眠的另一个核心功能是突触的整体下调。清醒时突触被普遍增强，如果不加以控制，最终会达到饱和，导致新信息无法写入。慢波睡眠期间的突触下调不是随机的，而是一个选择性的过程：弱的、不重要的连接被削弱或消除，强的、有意义的连接被保留。这个过程类似于机器学习中的权重衰减和剪枝策略，目的都是防止过拟合、提升泛化能力。
再看快速眼动睡眠。这个阶段的脑电模式和清醒时非常相似，呈现去同步化的特征，伴有 θ 波和 γ 波等高频振荡，边缘系统和联合皮层高度活跃。网络层面的研究发现，快速眼动睡眠期间大脑的全局效率和小世界网络属性增强，这有利于快速灵活的信息处理。同时，这个阶段的神经活动熵值升高，意味着大脑在探索更多样化的神经配置，从而降低网络变得过于僵化或适应不良的风险。
快速眼动睡眠还与记忆整合密切相关。在这个阶段，海马体和皮层之间会发生重演事件，把白天新形成的记忆从临时存储区转移到长期存储区，并与已有的知识网络进行整合。此外，快速眼动睡眠的高变异性和探索性动态，还有助于让神经网络摆脱过于僵化的吸引子状态，比如抑郁性反刍、慢性过度警觉或癫痫环路。
这两个阶段的协调配合至关重要。非快速眼动睡眠主要负责局部回路的巩固和噪声抑制，快速眼动睡眠主要负责全局整合和探索性重组。这种分阶段的策略确保了大脑既能稳定已有的有用信息，又能保持足够的灵活性来适应新情况。两者之间的转换时刻，大脑的亚稳态达到峰值，也就是在不同稳定状态之间灵活切换的能力最强。
如果这个结构化的睡眠架构被破坏，后果是严重的。长期睡眠剥夺或睡眠碎片化会导致网络模块化程度下降、韧性降低、对噪声和干扰的易感性增加、长程同步受损，以及认知功能全面下降。这些变化不是暂时的，长期累积可能导致不可逆的网络功能障碍。临床上，失眠、阿尔茨海默病、精神分裂症和癫痫等疾病都伴随着睡眠结构的紊乱，这并非巧合，而是网络韧性受损的直接体现。
睡眠作为网络韧性机制这个框架，最有意思的地方在于它不仅仅适用于生物大脑。随着人工智能系统变得越来越复杂和自主，研究者发现，人工神经网络面临着和生物大脑惊人相似的问题，而解决这些问题的方法也开始向生物学借鉴。
人工神经网络最核心的难题之一被称为灾难性遗忘。在连续学习的场景下，标准的人工神经网络在学习新任务时会覆盖之前的权重，导致在旧任务上的表现急剧下降。这个问题和生物大脑面临的稳定性与可塑性之间的矛盾本质上是一样的。生物大脑之所以能比较好地实现连续学习，部分原因正是睡眠提供了一个离线窗口，用于记忆重演和全局突触归一化，而且这些功能是在不同睡眠阶段分开执行的，而不是同时进行。
这种分阶段的结构为人工神经网络提供了一个有用的模板。目前已经有多种方法被提出来应对灾难性遗忘，比如经验重演、弹性权重巩固和互补学习系统。如果用睡眠阶段来对应，非快速眼动睡眠中的慢振荡和纺锤波支持海马体与皮层之间的重演以及突触归一化，这和基于重演的训练方法非常接近，后者通过交错旧样本和新样本来减少干扰。快速眼动睡眠则与更高的内在活动和表征重组相关，对应于人工系统中的受控随机性或表征重塑阶段，比如噪声注入或正则化调度，目的是促进抽象化和灵活性。
已经有研究直接验证了这个思路。有研究者提出了一种名为睡眠重演巩固的算法，在人工神经网络中用噪声驱动的自生成活动配合赫布可塑性来模拟类似快速眼动睡眠的状态。结果显示，这些类似睡眠的阶段让网络在学习新任务的同时保持了在旧任务上的高性能，有效地重组了权重空间以编码互不重叠的任务表征。在脉冲神经网络中也有类似发现，引入类似睡眠的离线重激活能够维持网络稳定性，减少连续任务之间的干扰。
睡眠和人工神经网络中的正则化与剪枝策略也有很强的对应关系。生物睡眠中的突触下调和选择性遗忘，在概念上类似于权重衰减、随机失活和神经剪枝。这些技术都能减少过拟合、促进泛化、控制网络熵，和睡眠在代谢和计算稳态中的功能如出一辙。这个类比强调了一个重要观点：睡眠不仅仅是关于记忆保留，更是关于维持一个高效且平衡的表征空间。
图自unsplash
更有趣的发现来自脉冲神经网络的研究。有实验表明，持续训练的脉冲神经网络会变得不稳定，出现失控的活动。而引入类似慢波睡眠节律的振荡噪声后，网络稳定性恢复，病理性放电被抑制。这个结果支持了一个假设：睡眠通过强制执行全局稳态约束，比如活动重置和突触重缩放，来维持系统的功能区间。
还有一些研究用生成式方法模拟做梦。在离线阶段进行类似梦境的模拟和生成式重演，让模型合成新场景，增强泛化能力，提升对抗鲁棒性。这些内部生成的序列和快速眼动睡眠中的梦境非常相似。这些合成的 "梦" 作为韧性训练数据，作用可能类似于人类梦境对创造性问题解决的支持。
当然，人工智能系统不会以生物学意义上的方式睡觉。目前大型语言模型中使用的检查点保存、重新训练和权重巩固等工程流程，和生物睡眠那种结构化的、多阶段的动态机制并不等同。但概念上和计算上对结构化离线阶段的需求正在变得越来越明显。随着人工系统向更自主、更适应、终身学习的方向发展，融入受睡眠启发的动态机制可能对提升鲁棒性、灵活性和泛化能力大有帮助。
回到最初的问题：我们为什么需要睡觉？
这篇综述给出的答案是，睡眠不是一段被动的休息时间，而是一个主动的、分阶段的系统维护过程。它通过非快速眼动和快速眼动两个阶段的交替配合，完成突触归一化、网络重组、代谢清除和临界态恢复等一系列关键操作，从而维持大脑这个复杂动态网络的长期韧性。
这个视角的深刻之处在于，它把睡眠从一个纯粹的生物学问题，提升为一个可能适用于所有复杂学习系统的普遍原理。无论是生物大脑还是人工神经网络，只要它需要在不断变化的环境中持续学习，同时又不能忘记已经学到的东西，它就可能需要某种形式的周期性离线维护。睡眠也许正是进化为这个普遍需求找到的解决方案。
当我们下次熬夜的时候，不妨想一想：你正在让自己的神经网络错过一次定期的系统维护。而维护这种事情，拖延一次两次可能看不出问题，但长期欠账，迟早是要还的。