В лабораториях Оксфорда и Кембриджа исследователи записывают электрическую активность мозга добровольцев, которые просто лежат с закрытыми глазами, не решая никаких задач. Вместо традиционных экспериментов со стимулами и ответами учёные применяют алгоритмы машинного обучения к этим «свободным» сигналам. Получившиеся паттерны позволяют не просто фиксировать мозговую активность, а предсказывать, о чём именно думает человек в данный момент — о встрече, что ждёт впереди, или о разговоре, который уже произошёл.
Обзорная статья в Nature Reviews Neuroscience, опубликованная 15 июля 2026 года, написана Андреа Луппи и его коллегами из Оксфорда, Кембриджа, Монреаля и Дублина. Луппи, Wellcome Early Career Fellow в St John's College Cambridge, является первым и корреспондирующим автором работы.
Статья утверждает, что спонтанная активность мозга перестаёт быть помехой для понимания сознания. Авторы показывают, как методы, основанные на анализе данных (data-driven подходы), извлекают осмысленную информацию из сигналов, которые раньше исследователи просто отметали как шум. Работа интегрирует данные ЭЭГ, фМРТ и сравнительный анализ активности мозга людей, мышей и макак, но не содержит новых экспериментов — это систематический обзор, обобщающий уже опубликованные исследования. Авторы сообщают об отсутствии конфликтов интересов; финансирование поступало через стандартные университетские гранты.
Традиционные теории сознания, такие как Global Workspace Theory (теория глобального рабочего пространства), строились на исследованиях с внешними стимулами, когда внимание человека направлено на окружающий мир. Спонтанная активность ставит под вопрос привычный сценарий: действительно ли требуется отдельный механизм для «внутреннего» режима мышления? Predictive Processing (предсказательная обработка), альтернативная теория, предполагает, что мозг постоянно генерирует предсказания об окружающем мире.
Данные Луппи и его коллег показывают, что эти предсказания остаются структурированными и когнитивно значимыми даже тогда, когда человек не получает внешних входов — мозг продолжает моделировать, анализировать и прогнозировать. Однако сам обзор не даёт окончательного ответа на фундаментальный вопрос: является ли такая структурированная спонтанная активность достаточной для возникновения феноменального сознания (субъективного опыта) или она лишь отражает функциональную обработку информации без сопутствующего осознания.
Методологические ограничения очевидны: большинство исследований проводились на небольших выборках участников, а алгоритмы машинного обучения обучались на данных, собранных в условиях полного покоя, где контроль над мыслями и вниманием добровольцев минимален. Авторы честно признают, что перевод этих научных результатов в клиническую практику — от управления анестезией при операциях до диагностики расстройств сознания — требует дополнительных тщательных проверок и валидации на более крупных выборках пациентов.
Чтобы лучше понять суть подхода, представьте поезд, который движется по рельсам без фиксированного расписания. Раньше инженеры изучали только остановки на станциях — моменты, когда поезд стоит или начинает движение. Теперь же они анализируют, как вагон движется между станциями: его скорость, колебания, взаимодействие систем. Точно так же data-driven методы позволяют увидеть не просто паузы в мышлении, но то, как спонтанная активность мозга «ведёт» последующие реакции и формирует его готовность к новым задачам.
Если этот подход приживётся в нейронауке, изменится не только экспериментальная практика исследователей, но и наше фундаментальное понимание того, что считается «нормой» для здорового мозга. Исследования уже указывают на снижение уникальности и сложности функциональной связности под анестезией и у недоношенных новорождённых — паттерны, которые могут служить биомаркерами состояния сознания.
