在牛津和剑桥的实验室里，研究人员正在记录志愿者在闭眼、不执行任何任务时的脑电活动。研究人员没有采用传统的刺激-反应实验，而是将机器学习算法应用于这些“自由”信号。由此产生的模式不仅可以记录大脑活动，还可以预测一个人此刻的想法——是关于即将到来的会议，还是已经发生的谈话。
这篇发表于2026年7月15日《自然-神经科学综述》的综述文章由Andrea Luppi及其牛津、剑桥、蒙特利尔和都柏林同事撰写。Luppi，圣约翰学院剑桥的Wellcome早期职业研究员，是该论文的第一作者和通讯作者。
文章认为，大脑的自主活动不再是理解意识的障碍。作者们展示了数据驱动的方法如何从过去被研究人员视为噪声而忽略的信号中提取有意义的信息。该研究整合了脑电图（EEG）、功能性磁共振成像（fMRI）数据，并对人、小鼠和猴子的大脑活动进行了比较分析，但没有包含新实验——这是一项系统性综述，总结了已发表的研究。作者们报告不存在利益冲突；资金通过标准的大学补助金获得。
传统的意识理论，如“全局工作空间理论”，建立在对外部刺激的研究基础上，此时人的注意力集中在外部世界。自主活动对这一传统情景提出了挑战：是否真的需要一个独立的机制来处理“内在”思维模式？作为一种替代理论的“预测处理”理论认为，大脑不断生成对外部世界的预测。
Luppi及其同事的数据表明，即使在没有外部输入的情况下，这些预测仍然保持结构化和认知上的意义——大脑继续进行建模、分析和预测。然而，该综述本身并未提供关于根本性问题的最终答案：这种结构化的自主活动是否足以产生现象意识（主观体验），还是仅仅反映了信息的功能性处理而没有伴随的意识。
方法学上的局限性很明显：大多数研究是在小样本参与者中进行的，而机器学习算法是在完全静止条件下的数据上训练的，在这种条件下，志愿者对思想和注意力的控制非常有限。作者们坦诚地承认，将这些科学发现转化为临床实践——从手术麻醉管理到意识障碍的诊断——需要对更大样本量的患者进行进一步的仔细检查和验证。
为了更好地理解该方法的核心，想象一列没有固定时刻表的火车在轨道上行驶。以前，工程师们只研究车站的停靠点——火车停下或开始移动的时刻。现在，他们分析火车在车站之间是如何行驶的：速度、颠簸、系统间的相互作用。同样，数据驱动的方法不仅能看到思维中的停顿，还能看到大脑的自主活动如何“引导”后续反应并形成其对新任务的准备状态。
如果这种方法在神经科学中得以推广，不仅研究人员的实验实践将发生改变，我们对健康大脑的“正常”状态的根本理解也将随之改变。研究已经指出，在麻醉和早产新生儿中，功能连接的独特性和复杂性会降低——这些模式可能作为意识状态的生物标志物。
