Nei laboratori di Oxford e Cambridge, i ricercatori registrano l'attività elettrica cerebrale di volontari che semplicemente giacciono ad occhi chiusi, senza svolgere alcun compito. Invece dei tradizionali esperimenti basati su stimoli e risposte, gli scienziati applicano algoritmi di machine learning a questi segnali «liberi». I pattern risultanti permettono non solo di registrare l'attività cerebrale, ma anche di prevedere cosa stia pensando una persona in un dato momento: un incontro futuro o una conversazione già avvenuta.
L'articolo di rassegna pubblicato su Nature Reviews Neuroscience il 15 luglio 2026 è opera di Andrea Luppi e dei suoi colleghi di Oxford, Cambridge, Montreal e Dublino. Luppi, Wellcome Early Career Fellow presso il St John's College di Cambridge, è il primo autore e autore corrispondente del lavoro.
L'articolo sostiene che l'attività cerebrale spontanea cessa di essere un ostacolo alla comprensione della coscienza. Gli autori dimostrano come i metodi basati sull'analisi dei dati (approcci data-driven) estraggono informazioni significative dai segnali che in precedenza i ricercatori scartavano semplicemente come rumore. Il lavoro integra dati di EEG, fMRI e analisi comparative dell'attività cerebrale di esseri umani, topi e scimmie, ma non contiene nuovi esperimenti: si tratta di una rassegna sistematica che riassume ricerche già pubblicate. Gli autori dichiarano l'assenza di conflitti di interesse; il finanziamento è avvenuto tramite normali borse di studio universitarie.
Le teorie tradizionali sulla coscienza, come la Global Workspace Theory (teoria dello spazio di lavoro globale), si sono basate su ricerche con stimoli esterni, quando l'attenzione umana è rivolta al mondo circostante. L'attività spontanea mette in discussione lo scenario abituale: è davvero necessario un meccanismo separato per la modalità di pensiero «interna»? La Predictive Processing (elaborazione predittiva), una teoria alternativa, ipotizza che il cervello generi costantemente previsioni sul mondo esterno.
I dati di Luppi e colleghi dimostrano che queste previsioni rimangono strutturate e cognitivamente significative anche quando una persona non riceve input esterni: il cervello continua a modellare, analizzare e prevedere. Tuttavia, la rassegna stessa non fornisce una risposta definitiva alla domanda fondamentale: questa attività spontanea strutturata è sufficiente a generare la coscienza fenomenica (l'esperienza soggettiva) o riflette solo l'elaborazione funzionale delle informazioni senza consapevolezza associata.
I limiti metodologici sono evidenti: la maggior parte degli studi è stata condotta su piccoli campioni di partecipanti e gli algoritmi di machine learning sono stati addestrati su dati raccolti in condizioni di riposo assoluto, dove il controllo dei pensieri e dell'attenzione dei volontari è minimo. Gli autori riconoscono onestamente che la traslazione di questi risultati scientifici nella pratica clinica — dalla gestione dell'anestesia durante gli interventi chirurgici alla diagnosi dei disturbi della coscienza — richiede ulteriori verifiche approfondite e validazioni su campioni di pazienti più ampi.
Per comprendere meglio la natura dell'approccio, immaginate un treno che viaggia sui binari senza un orario fisso. In passato, gli ingegneri studiavano solo le fermate alle stazioni: i momenti in cui il treno era fermo o iniziava a muoversi. Ora, invece, analizzano come il vagone si muove tra le stazioni: la sua velocità, le oscillazioni, l'interazione dei sistemi. Allo stesso modo, i metodi data-driven permettono di osservare non solo le pause nel pensiero, ma anche come l'attività cerebrale spontanea «guida» le reazioni successive e forma la sua prontezza a nuovi compiti.
Se questo approccio si affermerà nelle neuroscienze, cambierà non solo la pratica sperimentale dei ricercatori, ma anche la nostra comprensione fondamentale di ciò che è considerato «norma» per un cervello sano. Studi indicano già una riduzione dell'unicità e della complessità della connettività funzionale sotto anestesia e nei neonati prematuri — pattern che potrebbero servire come biomarcatori dello stato di coscienza.
