我之前还测试了一下午休状态下能否判断是否处于睡眠状态。

以及在处于睡眠状态时，能不能通过现实中的一些音频刺激进行干预，影响梦境内容。

通常来说，除了晚上睡觉的时候会做梦，在午休的时候也常常会做梦。

并且感觉在午休时，只要一旦睡着了，就会开始做梦，而并不像晚上睡觉一样，会经历好几个不同的睡眠周期。

所以，在午休中判断是否在做梦可以直接通过检测是否入睡来判定，简单了非常多。

不过，午休的梦和晚上睡觉的梦还是有些不同的，感觉上午休的梦可能更不那么生动，清晰和深沉。

(我大概在8分钟内就能睡着并且做梦)

检测午休时是否入睡的方式很简单。

使用一个有线静音鼠标（它的按键按压力度通常更小），并通过5m的延长线连接到电脑，在午休的时候握着鼠标，并且按住右键。

当快要睡着，失去意识的时候，手部肌肉就会放松，右键也会随之松开。

也可以同时搭配着华为智能手表，开启心率广播，获得每秒更新的心率数据，然后进行辅助判断。

我现在没有采集数据原文件了，只有华为运动健康app上的记录。

华为运动健康app上的心率图实际上是经过处理的，如果是通过心率广播获取的数据，可以看到明显的被叫醒后的瞬间的心率上升。

通过以上两个判断方法就很轻松的实现了午休的睡眠检测，我实际测试是比较准确的，可以检测到睡着做梦然后唤醒，或是干一些其他操作。

我测试过播放一些音频，不过一点用都没有。

梦里完全不会受到影响，只会有两个状态：什么反应都没有，或被音频吵醒。

并且我有一个问题，就是只要午休一旦睡着了，再醒来就会感觉头有点晕，感觉有点脑子不清晰。
所以，我并没有测试多少次，之前也几乎不午休。

这个整体实现起来难度较低，不需要折腾硬件，只需要写几个脚本，感兴趣的可以自己尝试一下。
可以把有线鼠标换成无线的，或是换成电容式的按钮。小米手环或是其他智能手表应该都有心率广播。

顺便分享以前的经历：

有时候在醒来后的几秒钟内，眼前可以看到某些画面，但是完全无法操控。

至少8个月前的一次午休，我有意识的尽可能维持自己清醒。
之后，看见了眼前出现了一个手机屏幕。
手机屏幕上是哔哩哔哩的app，我还能看见那个视频的评论，每个字都好像能看见，并且能看懂，但是语序混乱。

我在梦中好像是不会出现看不清文字的情况。

还有一次晚上做梦，我梦见我在课堂上写数学试卷、上面的数字，公式，根号清晰可见，我都能在梦里算出来，但是之后老师告诉我说：这个答案是错的。

最后就是相关论文，原文页数非常多

Incubating+Dreams+Awakening+Creativity+Adam+Haar+Thesis+8.5.19-compressed (1).pdf5.34MBPDF0次下载预览

以下是ai讲解：

《Incubating Dreams, Awakening Creativity》
作者：Adam Jedidiah Haar Horowitz
时间：2019 年 8 月
核心项目：Dormio
核心问题：能不能用技术在“刚刚入睡”的几分钟里，把指定的主题植入梦境，然后利用这种梦境状态提升之后的创造力？

这篇论文真正有意思的地方，不只是“梦境研究”，而是它试图建立一个完整的闭环：

检测你正在入睡 → 在这个状态给你一个提示 → 让提示进入梦境/催眠入睡体验 → 立即唤醒并记录梦 → 重复多轮 → 再测试你的创造力。

作者最终认为，实验结果支持这样一个观点：创造力提升不仅可能来自“睡眠这个脑状态”，还与睡眠时具体想到了什么、梦到了什么有关。 不过论文自己也明确列出了相当多限制，因此不能把它简单理解成“科学已经证明做梦能让人变聪明”。

下面我按照整篇论文的逻辑详细拆开。

一、这篇论文到底在研究什么？

作者最初的问题其实非常简单：

我们能不能主动利用睡眠中的思维，而不是把睡眠看成完全被动的过程？

传统上，人们虽然知道睡眠与记忆、情绪和认知表现有关，但梦境本身常常被当作一种伴随现象：大脑在睡眠中工作，恰好产生了梦；真正产生认知收益的可能是后台神经过程，而不是“梦这个体验”本身。

作者不同意这种看法。

他的核心假设是：

梦境本身可能就是一种特殊的思维形式。

既然梦也是一种“思考”，那么它是不是可以利用清醒时不容易产生的联想方式？

因此作者特别关注一个状态：

Hypnagogia——入睡幻觉/入睡过渡状态

也就是：

清醒 → 刚开始睡着 → 真正进入较深睡眠

之间的那几分钟。

论文把它描述成一种介于清醒与睡眠之间的“半清醒状态”。

这个状态特别重要，因为此时：

一方面，你的大脑已经开始进入睡眠；

另一方面，你又没有完全失去意识，可以在被叫醒之后比较容易描述刚才发生了什么。

论文认为这比后半夜的深度睡眠甚至 REM 梦境更适合进行实验。

二、为什么作者特别喜欢“刚刚睡着”的几分钟？

这是整篇论文最重要的理论基础之一。

作者认为 Hypnagogia 有三个特别有价值的特点。

1. 梦境出现得非常快

N1 是入睡初期阶段。

论文给出的典型特征包括：

• Alpha 活动下降

• Theta 活动增加，大约 3–7 Hz

• 肌肉张力下降

• 呼吸变浅

• 心率下降

• 血压下降

• 有时出现 hypnic jerk，也就是入睡抽动

• 会出现视觉、听觉、身体感觉等类似幻觉的体验

典型的 N1 大约持续 1–7 分钟。

所以作者把它理解成：

大脑正在从清醒思维模式切换到梦境思维模式。

而且这个切换过程不是瞬间完成的，而是渐进的。

三、作者为什么认为 Hypnagogia 特别“有创造力”？

因为它似乎处于一个很特殊的认知区间：

清醒时

你的执行控制比较强：

我应该想什么
→ 我应该怎么做
→ 这个想法合理吗
→ 这个东西有没有意义

因此思维比较受约束。

深睡/典型 REM 梦境时

联想非常自由，但执行控制又下降太多：

什么都可能发生
但你很难主动观察和控制。

Hypnagogia

处在两者之间。

作者非常看重这一点：

部分执行控制正在消失，但意识还没有完全消失。

因此你可以：

• 观察自己的思维逐渐失控

• 看到图像开始自动生成

• 感觉不同记忆开始混合

• 出现非常奇怪的联想

• 同时又能在被唤醒后描述这些内容

论文甚至认为，这种状态可以观察“自我感”“身体感”“时间感”“认知控制”逐渐发生变化。

四、作者发现：梦不一定等于 REM

论文还专门挑战了一个传统认知：

REM = 做梦

作者认为这已经太过简单。

研究表明：

• NREM 期间也会产生梦

• NREM 被唤醒时也经常可以报告梦境

• 梦境体验可以贯穿不同睡眠阶段

• REM 和梦并不是严格的一一对应关系

论文引用的研究中甚至提到，NREM 唤醒可以获得相当高比例的梦境报告。不同睡眠阶段的梦境，只是“体验形式”不同：有的更像思考，有的更像视觉故事。

所以这篇论文使用的是一个更宽泛的观点：

梦境不是单独属于 REM 的东西，而是一个从“思考式体验”到“高度沉浸式故事”的连续谱。

这对 Dormio 很重要，因为 Dormio 的目标主要是抓住 N1 / Hypnagogia，而不是让用户进入 REM。

五、作者从哪里获得灵感？

一个很有意思的来源是 Edison 的“钢球技术”。

论文介绍了一种历史上的方法：

人在坐着打瞌睡的时候，手里拿一个金属球。

进入睡眠后肌肉放松，金属球掉落。

“哐”的一声把自己叫醒。

这样就能抓住：

刚刚进入梦境/入睡状态时的大脑内容。

Edison 曾有意识地在思考一个问题之后进行这种小睡，并试图在 Hypnagogia 中找到解决方案。

论文把这个状态称为：

“genius gap”

即所谓“天才间隙”。

作者希望把 Edison 的一次性、手工方法变成一个：

自动化、可重复、多轮、可实验控制的系统。

六、Dormio 到底是什么？

这就是论文最核心的工程成果。

Dormio 可以理解成：

一个能够检测“你快睡着了没有”的可穿戴设备 + 音频刺激系统 + 梦境报告系统。

它不是一个普通睡眠手环。

核心机制是：

检测睡眠 → 播放声音 → 影响梦境 → 唤醒 → 记录 → 再睡 → 再提示。

论文把这种方法命名为：

Serial Incubation

“串行梦境孵化”

与传统“睡前告诉你一次”不同。

它会重复进行：

提示
↓
入睡
↓
叫醒
↓
报告梦境
↓
再入睡
↓
再提示
↓
再叫醒

这样一个睡眠周期内可以获得多次 Hypnagogia。

论文明确认为这是 Dormio 的关键创新之一。

七、Dormio 怎么判断“你睡着了”？

这里其实非常有意思。

Dormio 不依赖传统实验室那套庞大的 PSG。

实验室 PSG 通常需要：

• EEG

• EOG

• EMG

• 心率

• 呼吸等

Dormio 希望把设备做到足够便宜、轻量、可穿戴。

它主要监测三个信号：

① 心率 HR

判断身体是否开始进入睡眠状态。

② EDA / EDR

也就是皮肤电活动。

用于观察自主神经系统变化。

③ 肌肉张力

通过手指弯曲/肌肉运动等变化判断：

你是不是开始失去肌肉控制。

设备采样频率为：

100 Hz。

原型使用：

• nRF51 Cortex-M0

• Bluetooth Low Energy

• 3.7V 锂电池

• Pulse Sensor

• Flex Sensor

• EDA 电极

设备设计在手腕、手指位置工作。

八、Dormio 的软件是怎么工作的？

它还有一个 iOS App。

用户可以设定：

• 梦境主题

• 提示语

• 报告次数

• 什么时候唤醒

• Hypnagogia 的目标深度

系统有两种模式：

Sensor-based

使用 Dormio 的传感器实时检测。

Timer-based

没有 Dormio 硬件时，直接根据估算的入睡时间工作。

甚至可以利用手机掉落检测来模拟 Edison 的钢球技术。

九、实验设计是什么？

论文实际上做了不止一个实验。

最重要的是：

Pilot Experiment

以及：

Thesis Experiment

十、第一轮实验：Pilot Experiment

Pilot 很小。

核心实验分析只有：

n = 6

另外有 2 人无法正常进入实验要求的睡眠状态，因此被排除。

实验使用两个词：

• Rabbit

• Fork

受试者会被提示：

“Remember to think of a rabbit.”

或者：

“Remember to think of a fork.”

然后比较：

清醒状态

只是闭眼休息、保持清醒。

VS

Hypnagogic Sleep

让自己进入睡眠。

之后分别进行创造力测试。

十一、Pilot 最直观的结果

首先是创造性故事任务。

睡眠条件下，受试者平均写：

530 秒

清醒条件：

371.5 秒

差异达到统计显著：

p = 0.01

而且：

睡眠之后，有 4/6 的人使用了图画+文字混合形式；

控制条件则是 6/6 都只写文字。

作者把这看作创造力和投入程度增加的初步证据，但也承认这一轮的创造力评估还不够标准化。

十二、Pilot 还有一个很漂亮的发现

一个受试者连续经历多轮 Rabbit 提示后，报告了完全不同类型的兔子：

• childhood pet rabbit

• aluminium rabbit head

• dissected rabbit

• rabbit warren

也就是说：

提示词相同，但是每一次进入 Hypnagogia 时，梦境会生成完全不同的联想。

这说明 Hypnagogia 并不是机械地重复：

“Rabbit → Rabbit → Rabbit”

而更像：

Rabbit → 记忆 → 图像 → 奇怪联想 → 新故事

这正是作者认为它有创造力价值的地方。

十三、第二轮才是真正重要的 Thesis Experiment

正式实验扩大到了：

n = 50

不过最终具体分析中不同变量存在少量缺失，所以有些分析使用 48/49 名左右的数据；论文自己在摘要和各章节中也分别出现了 n=48、n=50 的表述。

正式实验核心是一个：

2 × 2 实验设计

两个维度：

第一维：状态

Sleep

vs

Wake

第二维：有没有指定主题

Tree Incubation

vs

No Incubation

于是形成四组：

这是整篇论文最重要的实验结构。

十四、为什么选择 Tree？

因为 Tree 足够简单。

它又可以产生很多不同语义：

• tree

• forest

• branch

• root

• plant

• wood

• leaf

• grow

• shadow

这样可以观察：

人究竟是在机械重复“Tree”，还是开始产生更广泛的语义联想？

十五、Dormio 到底能不能把 Tree 植入梦里？

这个实验的结果非常明确。

睡眠 + Tree

67 个梦境报告：

45 个，也就是 67%

包含直接 Tree 相关内容。

睡眠 + 无提示

69 个梦境报告：

只有：

1 个，也就是 1.4%

出现直接 Tree。

清醒 + Tree

56 个清醒报告：

29 个，也就是 52%

包含 Tree。

清醒 + 无提示

48 个报告：

0 个

出现 Tree。

这是非常重要的结果。

因为它说明：

Dormio 确实能够明显提高目标主题进入睡眠中主观体验的概率。

而且：

睡眠中的植入效果比清醒状态更强。

十六、这个植入效果有多明显？

作者进行了统计检验。

Tree Incubation vs No Incubation：

p = 4.295 × 10⁻⁷

也就是非常显著。

睡眠条件：

Tree：

0.70 ± 0.35

No Incubation：

0.01 ± 0.05

p = 0.001。

所以：

Dormio 并不是“偶尔让人想到 Tree”，而是明显改变了 Hypnagogic experience 的内容。

十七、甚至不只是“Tree”这个词

论文里的梦境报告很有意思。

一个受试者连续四次报告：

树
↓
周末请客，同时想到树
↓
儿童时期后院的树
↓
树裂成无数碎片
↓
沙漠、萨满、树、南美……

这意味着：

一个简单的外部提示，在睡眠状态下会被吸收到个人记忆、当前问题和梦境叙事中。

作者因此认为：

Dormio 不只是“让你记住一个单词”。

它可能让这个词变成：

一个联想网络的“入口”。

十八、梦真的能被记住吗？

结果非常强：

25/25 睡眠受试者都至少能够回忆出一个 Hypnagogic dream。

也就是说：

100%

至少报告过一次。

清醒组也是：

24/24

都至少能够报告一次清醒状态的思维内容。

这支持了 Dormio 的另一个核心目的：

不只是“控制梦”，还要“捕获梦”。

十九、然后真正的问题来了：

梦能不能提升创造力？

这才是论文最终想证明的东西。

作者用了三种主要创造力测量：

1. Creative Storytelling Task

根据 Tree 写故事。

评价包括：

• Overall Creativity

• Plot Continuity

• Fantasy

• Descriptiveness

• Semantic Flexibility

• Imagery

• Emotiveness

• Humor

• Writing Time

并且让多个评分者进行盲评。

二十、Storytelling 的总体结果

Overall Creativity：

Sleep

5.24 ± 1.26

Wake

4.14 ± 1.38

差异：

p = 0.003

也就是说：

睡眠组写出来的故事，整体创造力评分显著更高。

更关键的是：

Sleep + Tree

5.74 ± 0.99

Sleep + No Incubation

4.64 ± 1.29

p = 0.0397

也就是说：

即使都睡着了，加入 Tree 梦境主题后，创造力仍然进一步提高。

这是整篇论文最核心的数据之一。

二十一、Fantasy：想象力也明显提高

Sleep：

4.46

Wake：

3.28

p = 0.002

而：

Sleep + Tree：

4.95

Wake + Tree：

3.47

p = 0.006

因此睡眠状态明显增加了故事的幻想性。

二十二、Semantic Flexibility：联想跨度增加

Semantic Flexibility 是论文特别重视的一项。

Sleep：

3.82

Wake：

2.94

p = 0.028

更关键：

Sleep + Tree：

4.49

Sleep + No Tree：

3.03

p = 0.0086

也就是说：

睡眠 + Tree 梦境植入

不仅让故事更好，还让概念之间的连接更加灵活。

二十三、Imagery：图像性明显增加

这是效果很明显的一项。

Sleep：

4.40

Wake：

2.97

p = 0.007

Tree Incubation：

4.78

No Incubation：

2.98

p = 0.001

最重要的是：

Sleep + Tree：

4.86

Sleep + No Incubation：

3.62

p = 0.036

而且：

睡眠条件下的人明显更容易主动画图。

Sleep vs Wake：

p = 0.008。

这与论文对 Hypnagogia 的基本判断非常一致：

睡眠初期的思维高度视觉化。

二十四、第二个创造力测试：Alternative Uses Task

这是心理学经典的：

AUT

例如给你一个物体：

“砖头有什么不同用途？”

普通答案：

建房子

创造性答案：

书挡
雕塑
门挡
花盆
……

测试的是：

发散思维 / 非常规联想能力。

论文发现：

Hypnagogia 条件下产生的 alternative uses 数量比控制条件：

高 18%。

正式实验还进一步发现：

Sleep + Tree

在：

• Individual Use Creativity

• Snapshot Creativity

• Semantic Distance

等指标上明显优于多个清醒组。

二十五、Semantic Distance 是什么？

这是理解论文理论的重要指标。

例如看到：

Tree

如果你马上想到：

leaf

语义距离比较近。

如果你想到：

spaceship

距离就非常远。

作者的思路是：

创造力不仅是想到更多东西，更重要的是能够从原始概念跳到距离较远的概念。

实验发现：

睡眠状态下，人更少直接重复：

“Tree”

而更容易产生距离更远的联想。

比如：

Tree → paint → shadow → travel → architecture……

论文把这解释成：

Spreading Activation

也就是：

概念激活从一个节点扩散到更远的语义节点。

当然论文自己也承认这一解释仍然需要更多分析，因为产生答案数量差异可能造成混杂。

二十六、第三个测试：Verb Generation Task

VGT 给参与者一个名词：

Tree / Leaf / Bird / Forest / Root……

然后要求：

产生一个有创意的动词。

例如：

Tree：

growing

这比较普通。

更远的：

sheltering

甚至更不常规的：

wandering

等等。

他们不是简单统计正确率，而是计算：

Semantic Distance

即：

名词和生成动词之间的语义距离。

实验发现：

Sleep：

0.86 ± 0.06

Wake：

0.84 ± 0.06

p = 0.034

说明睡眠状态下生成的关联总体更“远”。

二十七、还有一个非常有意思的发现：

Creative Self-Efficacy

也就是：

“我认为自己是不是一个有创造力的人？”

实验之前：

四组之间没有显著差异。

实验之后：

睡眠组对自己的创造性评价明显更高。

例如：

Creative Thinker

Sleep：

7.84 ± 1.77

Wake：

6.64 ± 1.84

p = 0.009

而且：

“Flexible Thinker”的前后变化也显著偏向睡眠条件。

也就是说这个效果不只是：

“别人觉得你写得更有创意。”

而是：

你自己也更觉得自己有创造力。

作者认为这可能会形成长期的创造自我效能提升。

二十八、一个非常关键的实验逻辑

作者最想区分的其实是两个东西：

A

睡眠状态本身提高创造力。

B

睡眠中梦到某个特定主题提高创造力。

因此才需要：

Sleep + Tree
Sleep + No Tree

进行直接比较。

如果：

Sleep + Tree > Sleep + No Tree

那么说明：

不仅仅是睡眠状态重要，睡眠中的“内容”也可能重要。

实验确实发现：

Sleep + Tree 在多个指标上高于 Sleep + No Incubation。

所以论文提出：

梦境内容可能具有创造力促进作用。

二十九、还有一个更强的分析：按照“到底梦到了多少 Tree”计算

这一点非常重要。

不只是比较：

有没有播放 Tree

而是进一步看：

你实际梦到了多少 Tree？

结果：

在睡眠组中：

Tree 出现得越多 → 创造力表现越高

尤其与：

• Story Overall Creativity

• Semantic Flexibility

• AUT Snapshot

等指标存在正相关。

这比单纯比较“播放过 Tree”和“没有播放 Tree”更有意思。

因为它开始暗示：

不是声音本身导致效果，而是声音真正进入了梦境体验之后，效果更明显。

作者正是根据这一点进一步提出：

conscious dream content 本身可能是创造力提升的一个驱动因素。

三十、那是不是说明“梦境导致创造力”已经被完全证明？

这里必须非常谨慎。

作者在讨论部分的表述很大胆：

这是第一个在控制实验中支持“梦境本身对创造力有积极影响”的证据。

而且作者认为结果支持：

dream content，而不是单纯 sleep state。

但是：

这并不等于现代科学意义上的“已经完全证明梦境因果改善创造力”。

因为作者自己列出了非常明确的限制。

三十一、最大的问题之一：PSG 没有完整验证

Dormio 并不是标准 PSG。

作者承认：

Dormio-defined sleep onset

和传统：

PSG-defined N1

并不完全是一回事。

正式论文没有做到每次实验都使用完整 PSG 金标准。

只有一个后续 Pilot PSG 验证。

结果：

65 分钟的实验过程中，受试者主要处于：

Wake + light N1

而没有进入：

• N2

• N3

• REM

所以至少证明：

Dormio 可以帮助反复进入浅 N1，而不会轻易进入更深睡眠。

但是作者仍然认为：

未来需要更严格 PSG 验证。

三十二、第二个问题：

“这到底算不算真正的梦？”

这是一个非常重要的定义问题。

因为 Dormio 主要研究：

Hypnagogic hallucinations

也就是：

入睡时的幻觉/梦样体验。

有人会认为：

N1 的这些体验还不应该叫“真正的梦”。

所以作者自己也没有完全回避这个问题。

未来需要继续研究：

Hypnagogia 中植入的内容，是否会延续进入后面的 REM 梦境？

如果能证明：

N1 的 Tree → 后面 REM 也继续出现 Tree

那么才更有力地说明：

Dormio 是真正的“dream incubation machine”。

三十三、第三个问题：

有没有“迎合实验人员”的报告偏差？

这个问题非常现实。

假设实验人员不断对你说：

Tree
Tree
Tree

然后问：

你刚才梦到什么？

受试者很容易想：

“是不是应该说 Tree？”

因此可能存在：

Demand characteristic / report bias

即：

受试者为了符合研究期待而报告 Tree。

作者自己明确意识到了这一点。

他们认为报告里的 Hypnagogic phenomenology 很真实，一般人很难伪造，所以认为这种偏差不足以完全解释结果。

但他们仍然认为未来需要更多控制。

三十四、还有一个特别重要的问题：

到底是梦境本身有效，还是“声音提示”有效？

例如：

你听到：

Tree

然后第二天创造力更强。

可能是：

理论 A

Tree 真的进入梦境，然后梦境改变了创造力。

也可能是：

理论 B

声音本身让你的大脑发生某些激活，梦只是伴随现象。

作者认为他们通过：

Sleep Tree
vs
Sleep No Tree

以及：

梦中真正出现 Tree 的数量

做出了较强的区分。

但是作者依旧认为不能彻底解决这个问题。

三十五、还有一个特别重要的问题：

是“有意识的梦体验”导致创造力，还是后台脑活动？

论文提出两个可能性：

可能性 1

真正的梦境体验本身是必要的。

即：

你真的经历这个梦
→ 创造力提升

可能性 2

梦只是睡眠中更深层的神经处理过程的“可见界面”。

即：

后台大脑活动
→ 创造力提升

而梦只是：

后台处理活动的主观表现

当前实验无法完全区分这两种机制。

三十六、为什么这篇论文在睡眠研究领域比较特殊？

作者特别强调：

过去很多睡眠研究只做：

睡觉前测试
→ 睡觉
→ 睡觉后再次测试

但是：

不收集梦境报告。

这样即便：

睡眠之后成绩提升

研究者也不知道：

睡眠中到底发生了什么主观体验。

而 Dormio 希望把：

主观体验

也重新纳入睡眠科学。

也就是说：

“我在睡觉的时候经历了什么？”

不应该被当成纯粹无关紧要的信息。

这也是作者所谓的：

“cognitive revolution in sleep”

即：

睡眠研究应该认真研究 sleeping mind，而不只是 sleeping brain。

三十七、论文还做了一个非常有趣的“一人实验”

作者进行了：

Iterative Serial Incubation

不是每次都说：

Tree

而是：

第 1 次：

Volcano

受试者报告：

mountain，我在爬山

第 2 次：

Go inside the mountain

报告：

山里有房子

第 3 次：

Go inside the house

报告：

房子里有人……

第 4 次：

Go out of the house

报告：

我正在变成火……

也就是说：

提示 → 梦 → 下一次提示基于刚才的梦 → 新梦

最终形成连续的梦境故事。

三十八、这意味着什么？

理论上未来可以做成：

人睡觉

AI：

“你现在看到什么？”

人：

“一座山。”

AI：

“进入山里面。”

人：

“里面有一座房子。”

AI：

“走进房子。”

……

这实际上就变成：

AI × Dream Interface

也就是：

人和 AI 在半睡眠状态下进行对话。

论文甚至明确提出：

dream-guide chatbot

可以使用：

语言模型 + Text-to-Speech

进行这种实时梦境引导。

从今天的角度看，这一部分尤其值得注意。

三十九、论文真正想建立的不是一个“睡眠手环”

作者真正想建立的概念是：

Dream Engineering

也就是：

Engineering + Neuroscience + HCI + Dreams

通过技术主动：

• 测量梦

• 记录梦

• 影响梦

• 研究梦

• 使用梦

论文甚至组织了 Dream Engineering Symposium，将睡眠科学家、工程师、艺术家等聚集到一起。

四十、它未来可能有什么用途？

作者提出了大量方向：

创造力增强

写作、设计、艺术创作、头脑风暴。

梦境治疗

例如：

PTSD / 噩梦

通过梦境内容干预尝试帮助患者。

记忆

在睡眠中辅助记忆相关内容。

学习

例如语言学习。

Lucid Dream

诱导清醒梦。

思维训练

利用 Hypnagogia 对问题进行非线性探索。

自我探索

研究：

自我
身体
时间
记忆
情绪
视觉
语义

如何在意识转换时发生改变。

论文明确提到实验参与者自己也提出：

• therapy

• memorization

• lucid dreaming

• empathy building

等应用。

四十一、但作者非常担心的，是伦理问题

这是论文后半段非常重要的内容。

因为这个技术意味着：

你不完全清醒的时候，有人可以影响你的思维。

因此理论上可能出现：

广告进入梦境

政治宣传进入梦境

品牌植入梦境

操纵潜意识

作者甚至提到，自己在研究过程中已经接触过对“品牌梦境”的企业兴趣。

所以：

梦境可能成为广告、政治、商业影响的新战场。

四十二、为什么作者认为 Hypnagogia 相比深睡还是相对安全？

因为 Hypnagogia 最大特点就是：

半清醒。

受试者经常还知道：

“我正在做实验。”

而 Dormio 每次提示之后都会提高警觉度。

也就是说：

你随时可以拒绝继续进入睡眠。

因此它比完全睡着之后长期播放刺激更加容易形成用户控制。

作者的设计原则其实是：

让用户自己选择输入，而不是让第三方替用户选择。

四十三、但即便自己用，也可能有风险

作者还提出了一个特别值得注意的问题：

梦境可能成为一种逃避现实的工具。

类似：

“为什么要面对现实？
我可以一直活在梦里。”

因此未来如果真的出现成熟的梦境接口，可能面临：

• 现实逃避

• 对梦境的依赖

• 自我认知问题

• 创伤记忆重新激活

• 情绪干扰

所以论文认为：

如果未来规模化，必须加入临床心理/精神医学方面的合作。

四十四、论文最重要的局限总结

作者自己列得很清楚。

1. PSG 验证不足

Dormio 并没有完整达到 PSG 金标准。

2. 不确定 N1 体验是否应该叫“梦”

未来要验证是否能影响后续 REM 梦境。

3. 报告偏差

受试者可能知道：

研究人员想听到 Tree。

因此可能有报告偏差。

4. 还不能完全区分因果机制

到底是：

梦境体验

还是：

睡眠期间后台神经处理

导致创造力提升？

无法完全区分。

5. 实验仍然依赖人在旁边监督

实验时研究人员一直在房间内，以避免设备误判。

所以当时的 Dormio：

还没有做到完全自主。

6. 创造力测试范围有限

这篇论文主要测的是发散性/联想型创造力。

没有充分测试：

convergent creativity

也就是：

找唯一正确答案、逻辑问题解决等类型的创造力。

7. 没有真正把情绪、记忆、学习一起纳入实验

作者提出这些可能与创造力变化有关，但本研究没有直接实验验证。

四十五、把整篇论文压缩成一个因果链

这其实是最值得记住的一张“逻辑图”：

外部声音提示

↓

Dormio 检测到入睡

↓

进入 Hypnagogia

↓

Tree / Rabbit / Fork 等主题被反复提示

↓

主题进入睡眠中的思维和梦境

↓

唤醒

↓

立即记录梦境

↓

再次进入 Hypnagogia

↓

多轮 Serial Incubation

↓

完成创造力测试

↓

发现：

Sleep > Wake

并且：

Sleep + Tree > Sleep + No Tree

同时：

梦中 Tree 越多 → 某些创造力指标越高

↓

作者因此提出：

Hypnagogia 本身具有创造力优势

而与任务相关的梦境内容又能进一步增强这种优势

这就是全文最核心的论证链。

四十六、所以这篇论文真正“证明”了什么？

我建议把结论分成三个层级理解。

第一层：证据最强

Dormio 可以明显影响入睡初期的主观体验内容。

这一点证据相当强：

Sleep + Tree：

67% 报告包含 Tree

Sleep + No Incubation：

1.4%

差异极大。

第二层：证据也比较明显

进入 Hypnagogia 后，创造力测试表现比单纯清醒休息更好。

例如 Story Overall Creativity：

5.24 vs 4.14，p=.003。

AUT、VGT、Creative Self-Efficacy 也出现支持结果。

第三层：最值得关注，但应该谨慎

具体梦境内容本身可能是导致创造力提升的原因。

这就是论文最激进的理论主张。

支持它的证据包括：

Sleep Tree > Sleep No Incubation

以及：

梦中 Tree 的数量与创造力指标正相关。

但是论文自身也承认还有因果机制问题和实验限制。

四十七、这篇论文最值得你关注的其实不是“做梦”

如果从技术角度来看，我认为这篇论文最重要的创新可以概括为：

“状态感知型的人机交互”

传统 AI / HCI：

人处于清醒状态
↓
输入
↓
系统响应

Dormio：

检测用户意识状态
↓
判断用户进入某种特殊状态
↓
在这个状态做不同的交互
↓
再检测状态变化
↓
调整下一步刺激

所以它实际上是一个：

Closed-loop Human-Computer Interface

即：

闭环人机交互。

不是：

“每隔五分钟播放一次声音。”

而是：

“当系统判断你进入目标意识状态时，才进行刺激。”

这一思想实际上比“梦境”本身更具有工程意义。

四十八、作者最终想走向什么？

论文最后的愿景并不是：

“做一个睡眠监测手环。”

而是：

Human-computer interaction across states of consciousness

即：

计算机不应该只和“清醒的你”交互。

而应该能够和：

• 清醒状态

• 放松状态

• 入睡状态

• 梦境状态

• 半清醒状态

进行不同形式的交互。

作者把人定义成：

24 小时周期中的思考者。

所以最终目标其实是：

把“睡眠中的人”也纳入人机交互系统。

四十九、整篇论文一句话总结

如果只留下一个结论：

这篇 MIT 论文尝试证明：在刚刚入睡的 Hypnagogia 阶段，通过 Dormio 用声音反复提示一个目标主题，可以让该主题明显进入睡眠中的梦样体验；而这种睡眠状态以及尤其是与任务相关的梦境内容，可能进一步提高之后的创造性表现。

但必须同时加上第二句话：

这是一项非常有意思的早期受控实验，而不是“已经证明可以通过梦境稳定地提高智力/创造力”的最终结论；作者自己明确承认 PSG 验证、报告偏差、梦境定义、因果机制、样本与创造力测量等方面仍存在明显限制。

最后给你一个“论文地图”

这 168 页其实可以看成 7 个核心部分：

① Introduction
为什么睡眠、梦境和创造力值得研究。

② Background
睡眠阶段、REM/NREM、梦境、Hypnagogia、创造力理论。

③ Dormio Device
硬件、传感器、算法、App、Serial Incubation。

④ Experiments
Pilot + 约 50 人正式实验。

⑤ Results
梦境控制、梦境回忆、创造力、AUT、VGT、自我效能。

⑥ Discussion
为什么作者认为“梦境内容”本身可能影响创造力。

⑦ Ethics + Limitations + Conclusion
梦境操控可能带来的广告、政治操纵、心理风险，以及未来研究方向。

尤其值得注意的是，作者自己还提出了一个非常超前的方向：

未来可以让 AI chatbot 根据你刚刚报告的梦实时生成下一条提示，从而与正在做梦的人进行连续互动。