У лабораторіях Оксфорда та Кембриджа дослідники записують електричну активність мозку добровольців, які просто лежать із заплющеними очима, не вирішуючи жодних завдань. Замість традиційних експериментів зі стимулами та відповідями вчені застосовують алгоритми машинного навчання до цих «вільних» сигналів. Отримані патерни дозволяють не просто фіксувати мозкову активність, а передбачати, про що саме думає людина в даний момент — про зустріч, що чекає попереду, або про розмову, яка вже відбулася.
Оглядова стаття в Nature Reviews Neuroscience, опублікована 15 липня 2026 року, написана Андреа Луппі та його колегами з Оксфорда, Кембриджа, Монреаля та Дубліна. Луппі, Wellcome Early Career Fellow у St John's College Cambridge, є першим і кореспондуючим автором роботи.
Стаття стверджує, що спонтанна активність мозку перестає бути перешкодою для розуміння свідомості. Автори показують, як методи, засновані на аналізі даних (data-driven підходи), витягують осмислену інформацію із сигналів, які раніше дослідники просто відкидали як шум. Робота інтегрує дані ЕЕГ, фМРТ та порівняльний аналіз активності мозку людей, мишей і макак, але не містить нових експериментів — це систематичний огляд, що узагальнює вже опубліковані дослідження. Автори повідомляють про відсутність конфліктів інтересів; фінансування надходило через стандартні університетські гранти.
Традиційні теорії свідомості, як-от Global Workspace Theory (теорія глобального робочого простору), будувалися на дослідженнях із зовнішніми стимулами, коли увага людини спрямована на навколишній світ. Спонтанна активність ставить під сумнів звичний сценарій: чи дійсно потрібен окремий механізм для «внутрішнього» режиму мислення? Predictive Processing (передбачувальна обробка), альтернативна теорія, припускає, що мозок постійно генерує передбачення про навколишній світ.
Дані Луппі та його колег показують, що ці передбачення залишаються структурованими та когнітивно значущими навіть тоді, коли людина не отримує зовнішніх входів — мозок продовжує моделювати, аналізувати та прогнозувати. Однак сам огляд не дає остаточної відповіді на фундаментальне питання: чи є така структурована спонтанна активність достатньою для виникнення феноменальної свідомості (суб'єктивного досвіду) або вона лише відображає функціональну обробку інформації без супутнього усвідомлення.
Методологічні обмеження очевидні: більшість досліджень проводилися на невеликих вибірках учасників, а алгоритми машинного навчання навчалися на даних, зібраних в умовах повного спокою, де контроль над думками та увагою добровольців мінімальний. Автори чесно визнають, що переведення цих наукових результатів у клінічну практику — від управління анестезією при операціях до діагностики розладів свідомості — потребує додаткових ретельних перевірок та валідації на більших вибірках пацієнтів.
Щоб краще зрозуміти суть підходу, уявіть потяг, який рухається рейками без фіксованого розкладу. Раніше інженери вивчали тільки зупинки на станціях — моменти, коли потяг стоїть або починає рух. Тепер же вони аналізують, як вагон рухається між станціями: його швидкість, коливання, взаємодія систем. Точно так само data-driven методи дозволяють побачити не просто паузи в мисленні, а те, як спонтанна активність мозку «веде» подальші реакції та формує його готовність до нових завдань.
Якщо цей підхід приживеться в нейронауці, зміниться не тільки експериментальна практика дослідників, а й наше фундаментальне розуміння того, що вважається «нормою» для здорового мозку. Дослідження вже вказують на зниження унікальності та складності функціональної зв'язності під анестезією та у недоношених новонароджених — патерни, які можуть слугувати біомаркерами стану свідомості.
