W laboratoriach Oksfordu i Cambridge naukowcy rejestrują aktywność elektryczną mózgów ochotników, którzy po prostu leżą z zamkniętymi oczami, nie wykonując żadnych zadań. Zamiast tradycyjnych eksperymentów ze stymulacją i reakcjami, badacze stosują algorytmy uczenia maszynowego do tych „swobodnych” sygnałów. Uzyskane wzorce pozwalają nie tylko rejestrować aktywność mózgu, ale także przewidywać, o czym dana osoba myśli w danym momencie – o nadchodzącym spotkaniu, czy o rozmowie, która już się odbyła.
Artykuł przeglądowy w Nature Reviews Neuroscience, opublikowany 15 lipca 2026 r., został napisany przez Andreę Luppi i jego współpracowników z Oksfordu, Cambridge, Montrealu i Dublina. Luppi, stypendysta Wellcome Early Career Fellow w St John's College Cambridge, jest pierwszym i korespondencyjnym autorem pracy.
Artykuł sugeruje, że spontaniczna aktywność mózgu przestaje być przeszkodą w zrozumieniu świadomości. Autorzy pokazują, jak metody oparte na analizie danych (podejścia zorientowane na dane, data-driven approaches) wydobywają znaczące informacje z sygnałów, które wcześniej badacze po prostu odrzucali jako szum. Praca integruje dane EEG, fMRI oraz analizę porównawczą aktywności mózgu ludzi, myszy i makaków, ale nie zawiera nowych eksperymentów – jest to przegląd systematyczny, podsumowujący już opublikowane badania. Autorzy zgłaszają brak konfliktu interesów; finansowanie pochodziło ze standardowych grantów uniwersyteckich.
Tradycyjne teorie świadomości, takie jak Global Workspace Theory (teoria globalnej przestrzeni roboczej), opierały się na badaniach z zewnętrznymi bodźcami, gdy uwaga człowieka skupiona była na otaczającym świecie. Spontaniczna aktywność podważa zwykły scenariusz: czy rzeczywiście potrzebny jest osobny mechanizm dla „wewnętrznego” trybu myślenia? Predictive Processing (przetwarzanie predykcyjne), alternatywna teoria, zakłada, że mózg stale generuje predykcje dotyczące otaczającego świata.
Dane zebrane przez Luppi i jego współpracowników pokazują, że te predykcje pozostają ustrukturyzowane i poznawczo znaczące nawet wtedy, gdy osoba nie otrzymuje żadnych bodźców zewnętrznych – mózg nadal modeluje, analizuje i przewiduje. Jednak sam przegląd nie udziela ostatecznej odpowiedzi na fundamentalne pytanie: czy taka ustrukturyzowana spontaniczna aktywność jest wystarczająca do powstania świadomości fenomenalnej (subiektywnego doświadczenia), czy też jedynie odzwierciedla funkcjonalne przetwarzanie informacji bez towarzyszącej mu świadomości.
Ograniczenia metodologiczne są oczywiste: większość badań przeprowadzono na małych grupach uczestników, a algorytmy uczenia maszynowego trenowano na danych zebranych w warunkach całkowitego spokoju, gdzie kontrola nad myślami i uwagą ochotników jest minimalna. Autorzy szczerze przyznają, że przełożenie tych wyników naukowych na praktykę kliniczną – od zarządzania znieczuleniem podczas operacji po diagnozowanie zaburzeń świadomości – wymaga dalszych, starannych weryfikacji i walidacji na większych grupach pacjentów.
Aby lepiej zrozumieć istotę podejścia, wyobraźmy sobie pociąg poruszający się po torach bez ustalonego rozkładu jazdy. Dawniej inżynierowie badali tylko postoje na stacjach – momenty, gdy pociąg stoi lub zaczyna ruch. Teraz analizują, jak wagon porusza się między stacjami: jego prędkość, drgania, interakcje systemów. W ten sam sposób podejścia zorientowane na dane pozwalają zobaczyć nie tylko przerwy w myśleniu, ale także to, jak spontaniczna aktywność mózgu „prowadzi” kolejne reakcje i kształtuje jego gotowość do nowych zadań.
Jeśli to podejście przyjmie się w neuronauce, zmieni się nie tylko praktyka eksperymentalna badaczy, ale także nasze fundamentalne rozumienie tego, co uważa się za „normę” dla zdrowego mózgu. Badania już wskazują na zmniejszenie unikalności i złożoności łączności funkcjonalnej w znieczuleniu i u noworodków przedwcześnie urodzonych – są to wzorce, które mogą służyć jako biomarkery stanu świadomości.
