Di laboratorium Oxford dan Cambridge, para peneliti merekam aktivitas listrik otak sukarelawan yang hanya berbaring dengan mata tertutup, tanpa menyelesaikan tugas apa pun. Alih-alih eksperimen tradisional dengan rangsangan dan respons, para ilmuwan menerapkan algoritma pembelajaran mesin pada sinyal-sinyal "bebas" ini. Pola yang dihasilkan tidak hanya memungkinkan pencatatan aktivitas otak, tetapi juga memprediksi apa yang sebenarnya dipikirkan seseorang pada saat tertentu — tentang pertemuan yang akan datang, atau tentang percakapan yang telah terjadi.
Artikel ulasan di Nature Reviews Neuroscience, yang diterbitkan pada 15 Juli 2026, ditulis oleh Andrea Luppi dan rekan-rekannya dari Oxford, Cambridge, Montreal, dan Dublin. Luppi, seorang Wellcome Early Career Fellow di St John's College Cambridge, adalah penulis pertama dan korespondensi dalam karya ini.
Artikel tersebut menyatakan bahwa aktivitas otak spontan tidak lagi menjadi hambatan untuk memahami kesadaran. Para penulis menunjukkan bagaimana pendekatan berbasis data (data-driven approaches) mengekstrak informasi yang bermakna dari sinyal-sinyal yang sebelumnya dianggap sebagai kebisingan oleh para peneliti. Karya ini mengintegrasikan data EEG, fMRI, dan analisis komparatif aktivitas otak manusia, tikus, dan monyet, tetapi tidak berisi eksperimen baru — ini adalah tinjauan sistematis yang merangkum penelitian yang sudah dipublikasikan. Para penulis melaporkan tidak adanya konflik kepentingan; pendanaan berasal dari hibah universitas standar.
Teori kesadaran tradisional, seperti Global Workspace Theory (Teori Ruang Kerja Global), dibangun berdasarkan penelitian dengan rangsangan eksternal, ketika perhatian seseorang tertuju pada dunia luar. Aktivitas spontan menimbulkan pertanyaan tentang skenario yang biasa digunakan: apakah benar-benar diperlukan mekanisme terpisah untuk mode pemikiran "internal"? Predictive Processing (Pemrosesan Prediktif), sebuah teori alternatif, mengusulkan bahwa otak terus-menerus menghasilkan prediksi tentang dunia luar.
Data dari Luppi dan rekan-rekannya menunjukkan bahwa prediksi ini tetap terstruktur dan bermakna secara kognitif bahkan ketika seseorang tidak menerima masukan eksternal — otak terus memodelkan, menganalisis, dan memprediksi. Namun, tinjauan itu sendiri tidak memberikan jawaban pasti atas pertanyaan mendasar: apakah aktivitas spontan yang terstruktur ini cukup untuk memunculkan kesadaran fenomenal (pengalaman subjektif) atau hanya mencerminkan pemrosesan informasi fungsional tanpa kesadaran yang menyertainya.
Keterbatasan metodologis jelas terlihat: sebagian besar penelitian dilakukan pada sampel peserta yang kecil, dan algoritma pembelajaran mesin dilatih pada data yang dikumpulkan dalam kondisi istirahat total, di mana kontrol atas pikiran dan perhatian sukarelawan minimal. Para penulis secara jujur mengakui bahwa penerjemahan hasil ilmiah ini ke dalam praktik klinis — mulai dari pengelolaan anestesi selama operasi hingga diagnosis gangguan kesadaran — memerlukan pengujian dan validasi tambahan yang cermat pada sampel pasien yang lebih besar.
Untuk lebih memahami inti pendekatan ini, bayangkan sebuah kereta api yang bergerak di rel tanpa jadwal tetap. Sebelumnya, para insinyur hanya mempelajari pemberhentian di stasiun — saat-saat ketika kereta berhenti atau mulai bergerak. Sekarang, mereka menganalisis bagaimana gerbong bergerak di antara stasiun: kecepatannya, getarannya, interaksi sistemnya. Demikian pula, metode berbasis data memungkinkan kita melihat tidak hanya jeda dalam pemikiran, tetapi juga bagaimana aktivitas otak spontan "mengarahkan" reaksi selanjutnya dan membentuk kesiapannya untuk tugas-tugas baru.
Jika pendekatan ini diadopsi dalam ilmu saraf, tidak hanya praktik eksperimental para peneliti yang akan berubah, tetapi juga pemahaman mendasar kita tentang apa yang dianggap sebagai "normal" untuk otak yang sehat. Penelitian sudah menunjukkan penurunan keunikan dan kompleksitas konektivitas fungsional di bawah anestesi dan pada bayi prematur — pola-pola yang dapat berfungsi sebagai biomarker keadaan kesadaran.
