在牛津和劍橋的實驗室裡，研究人員記錄著志願者閉眼躺著、不處理任何任務時的大腦電活動。研究人員沒有採用傳統的刺激和反應實驗，而是將機器學習算法應用於這些「自由」信號。由此產生的模式不僅能記錄大腦活動，還能預測一個人此刻正在思考什麼——是即將到來的會議，還是已經發生的談話。
這篇於 2026 年 7 月 15 日發表在《自然·神經科學綜述》上的回顧文章，由 Andrea Luppi 及其牛津、劍橋、蒙特利爾和都柏林的研究同事撰寫。Luppi 是劍橋聖約翰學院的 Wellcome 早期職業研究員，也是該論文的第一作者和通訊作者。
文章認為，大腦的自發性活動不再是理解意識的障礙。作者們展示了數據驅動的方法（data-driven approaches）如何從過去被研究人員視為噪音而忽略的信號中提取有意義的信息。該研究整合了腦電圖（EEG）、功能性磁共振成像（fMRI）以及人類、小鼠和獼猴大腦活動的比較分析數據，但並不包含新實驗——這是一項總結已發表研究的系統性回顧。作者們報告沒有利益衝突；資金來源為標準的學術撥款。
傳統的意識理論，如全局工作空間理論（Global Workspace Theory），建立在外部刺激的研究基礎上，當時人的注意力集中於外部世界。自發性活動對這種常規情景提出了質疑：是否真的需要一個獨立的機制來處理「內部」思維模式？預測性處理（Predictive Processing）這一替代理論認為，大腦不斷地生成對周圍世界的預測。
Luppi 及其同事的數據表明，即使在沒有外部輸入的情況下，這些預測仍然保持結構化和認知上的意義——大腦持續進行模擬、分析和預測。然而，該綜述本身並未提供對根本問題的最終答案：這種結構化的自發性活動是否足以產生現象意識（主觀體驗），還是僅僅反映了信息處理的功能而沒有伴隨的感知。
方法學上的局限性是顯而易見的：大多數研究是在小樣本參與者身上進行的，機器學習算法則是在完全靜止狀態下收集的數據上進行訓練的，這種狀態下參與者對思維和注意力的控制最小。作者們坦誠地承認，將這些科學結果轉化為臨床實踐——從手術麻醉管理到意識障礙的診斷——需要對更大規模的患者樣本進行額外的嚴格檢查和驗證。
為了更好地理解這種方法的本質，可以想像一列沒有固定時刻表的火車在軌道上行駛。以前，工程師只研究車站的停靠點——火車停下或開始移動的時刻。現在，他們分析火車在車站之間行駛的情況：速度、顛簸、系統互動。同樣，數據驅動的方法不僅能看到思維的停頓，還能看到大腦的自發性活動如何「引導」後續反應，並形成其對新任務的準備狀態。
如果這種方法在神經科學領域得到推廣，不僅研究人員的實驗實踐將會改變，我們對健康大腦的「正常」狀態的根本理解也將發生變化。研究已經指出，在麻醉狀態下以及早產新生兒中，功能連接的獨特性和複雜性有所降低——這些模式可能成為意識狀態的生物標誌物。
