AI 开始做梦以后：/Dream、DMN 与必要难度

AI 圈开始风靡做梦机制，和大脑的 DMN 模式有种莫名的相似。也许这些看起来低效的时刻，才是我们避免被工具彻底外包掉理解能力的地方。

一、从 Dreaming 到默认模式网络

最近看到 Claude Code 的 Dreaming 模式，以及后来 OpenClaw 等 Agent 项目也开始加入类似机制，我第一反应不是技术功能更新，而是它和人脑默认模式网络（Default Mode Network, DMN）之间，有一种很微妙的遥相呼应。

有医学背景的人看到这里，会本能地警惕过度拟人化。

默认模式网络不是梦本身，Dreaming 也不是意识经验。

两者不能直接画等号。

但恰恰是在这个边界上，出现了一个很有意思的问题：当一个系统不再只是在外部任务推动下工作，它就会需要一种“任务之间”的整理机制。

1.DMN：大脑"发呆"时在做什么

人的大脑很早就不是一台等待指令的机器。

我们停下来、走神、散步、发呆、睡前胡思乱想时，大脑并没有真正停工。

它会回收白天接触过的信息，把一些片段和过往经验连在一起，把还没想清楚的东西重新排列，也会预演未来可能发生的情境。

这类状态很容易被理解成“不专注”“浪费时间”。

但从默认模式网络的角度看，它并不只是注意力的缺席，更像大脑在没有明确外部任务时，仍然维持的一套内部组织活动。

自我叙事、情绪余波、过去经验、未来想象，都可能在这个状态中被重新接线。

有研究显示，默认模式网络消耗了大脑 60%–80% 的能量。大脑在"什么都不做"时消耗的能量，反而远大于执行具体任务时。

2.Dreaming：agent 开始整理自己的经验

Claude Code 的 Dreaming 模式吸引我的地方，也在这里。

它表面上是一个工程功能：让 agent 在 session 之间回看过去的工作，整理 memory，合并重复内容，清理过时信息，生成下一轮行动更有用的线索。

更有意思的是，这个方向很快不再只是单一产品里的功能。

OpenClaw 等 agent 项目后来也加入了类似的 dreaming / sleep / memory consolidation 机制，把轻睡眠、深睡眠、REM、梦日记这些隐喻放进工程结构里，用来处理短期记忆、长期记忆、模式提取和人类可读的复盘记录。

在 Dreaming 这个拟人化命名背后，是一类 agent 系统正在共同暴露出的需求：长期运行的智能体，不能只靠即时响应。

它需要在任务之间消化自己经历过什么，哪些判断被修正过，哪些信息已经失效，哪些经验应该沉淀下来。

AI 的 Dreaming 并不意味着 AI 开始像人一样做梦。

有意思的地方在于，工程系统开始承认一件事：智能不只发生在执行任务的瞬间，也发生在执行任务之后的余波里。

人脑的默认模式网络，和 AI agent 的 Dreaming 模式，在生物机制上当然相差极远。

但它们在功能层面共享了一个问题：系统如何处理已经发生过的经验？如何把一次性的输入，变成下一次可以调用的结构？

二、必要难度：学习不是低摩擦输入

这就接上了我最近一直在想的“必要难度”。

认知科学家 Bjork 夫妇提出过“必要难度”（Desirable Difficulties）的概念。

它的核心理念是：信息进入大脑时，如果完全没有摩擦，短期看起来很顺滑，长期却未必能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、在不同情境中重新调用的内容，反而更容易被大脑真正写进去。

换句话说，学习并不等于信息抵达。

资料被收藏了，不代表被理解；文章被总结了，不代表被吸收；概念被 AI 解释清楚了，也不代表它已经变成了你的判断力。

过去我们常把学习理解成输入：看书、听课、记笔记、刷题、整理知识点。

AI 出现以后，输入和输出都被极大优化了。资料可以快速总结，文章可以快速生成，代码可以快速补全，概念可以快速解释。

很多原来需要人花时间啃下来的东西，被压缩成了几秒钟的响应。

这提高了效率，也制造了新的幻觉。

我们很容易把“我已经获得了答案”，误认为“我已经完成了学习”。

三、我们优化掉的，可能正是学习本身

AI 工具这几年的演化方向，很大程度上是在降低捕获摩擦。

从收藏工具、快速笔记，到自动摘要、知识库问答，再到 agent 直接替你写文章、写代码、做方案，整套工具生态都在把大脑的写入难度压到更低。

低摩擦当然有价值。

重复劳动、格式转换、基础检索、信息搬运，这些东西不值得被浪漫化。

问题在于，当我们把所有摩擦都看成低效，就会把真正有益于认知成长的那部分难度也一起删掉。

很多看起来不顺滑的过程，恰恰是大脑在学习：费力地搜索一条笔记，在脑中艰难回想一个概念，用自己的话重新组织一段材料，把两个原本不相干的经验勉强接起来，再一点点修正自己的理解。

这些过程很慢，它们不会给人一种工具界面里的即时反馈。但它们构成了第一大脑的训练。

这有点像 GPS 导航——用久了你会明确感觉到自己不再认路。但 AI 对认知的影响更隐蔽：它给你一个看起来很丰富的第二大脑，让你觉得自己的第一大脑也在进步。

当我们沉迷于构建第二大脑，却不再让第一大脑承担必要负重，就会出现一个结构性悖论：外部系统在变强，内部理解却在变薄。

四、系统需要空隙，人也需要负重

默认模式网络提醒我们，大脑在无明确任务时仍然会进行整合。

必要难度理论提醒我们，学习需要一定程度的提取摩擦和认知负重。

它们表面上来自两条线索，一条偏神经科学，一条偏认知科学，但放到 AI 时代看，二者指向同一个问题：理解需要时间，也需要阻力。

AI 最擅长处理的是显性的任务链条：检索、摘要、生成、改写、执行。

但人的理解常常形成于那些不那么显性的时段：读完之后没立刻输出，听完之后在路上反复想，写到一半卡住，隔了几天突然意识到某个概念和另一个经验之间的关系。

这些时段很难被纳入生产力统计。

它们看起来像空白，实际可能是认知系统的后台运行。

如果 AI 把前台任务加速到极致，又把后台空隙不断挤掉，人就会进入一种奇怪状态：信息更多，答案更快，但自己的理解链条更短。

你知道很多东西的结论，却不再经历结论形成之前的困难。

这也是为什么 Dreaming 模式让我觉得有意思。

AI agent 发展到一定阶段后，也开始需要“任务间隙”。

从 Claude Code 到 OpenClaw，这类设计不断出现，说明 agent 的记忆问题已经从“能不能多存一点上下文”，变成了“能不能在任务结束后重新筛选、压缩、重组经验”。

它不能只是不断接任务、交结果、再接任务。

它需要在任务之间清理记忆、压缩经验、修正旧判断、形成下一次更稳定的行动依据。

如果连工程系统都开始承认任务间隙的重要性，人类反而更不能把自己的间隙全部交出去。

人需要空隙，才能把外部信息变成自己的经验。

AI agent 也需要空隙，才能把一次次任务记录变成可复用的工作记忆。没有空隙的系统，只会不断响应；有了空隙，才有机会形成连续性。

但对人来说，只有空隙还不够。人还需要负重。

必要难度就像认知上的负重训练：它不一定顺畅，却让能力真正长在身体里。

五、AI 时代的元技能：知道什么不该被外包

当然，这个判断也不能走向另一种极端。

1.不是所有摩擦都有价值

必要难度并不意味着所有困难都有价值。

很多困难只是糟糕工具、低效流程、信息噪音、重复劳动带来的无意义消耗。把这些消耗保留下来，并不会让人更聪明，只会让人更疲惫。

AI 工具降低无意义难度，是真实的进步。

我们不可能也不应该回到完全依赖手工检索、手工整理、手工转写的状态。

在今天的信息密度下，放弃外部化工具，可能连基本生产力都维持不了。

真正的问题是，必要难度和必要便利之间存在一个动态区间。不同的人、不同任务、不同知识领域，这个区间都不一样。

有些任务应该彻底交给 AI，因为它们只是在消耗注意力。

有些任务可以让 AI 帮你走到半路，但最后必须由你自己重新组织一次。

有些任务则必须保留原始摩擦，因为那个摩擦本身就是理解形成的条件。

2.什么不该被外包

所以我渐渐觉得，AI 时代真正值得保留的，可能不是某一种具体知识，也不是某一种单点技能，而是人对自己认知过程的敏感度。

一个人读两段文字，各自觉得懂了。

但只有自己把两段连起来——发现矛盾，或发现它们在说同一件事——理解才真正发生。

这个连接动作，恰恰是 AI 最容易替你省掉的部分。

知道自己什么时候在输入，什么时候在消化；知道哪些困难是在浪费时间，哪些困难正在迫使理解成形；知道什么时候该让 AI 加速，什么时候该让大脑自己慢一点。

这是一种新的工具批判。

过去我们问理性的边界在哪里，今天也要问工具的边界在哪里。

什么应该外包给系统，什么应该留在人的认知内部？什么可以被压缩，什么一旦被压缩，理解本身就会变薄？

当 AI 开始“做梦”以后，人反而更需要重新理解自己的发呆、走神、休息和停顿。

因为这些看起来低效的时刻，可能正是我们避免被工具彻底外包掉理解能力的地方。