大脑能非常快速地识别复杂的事物，区分其种类。例如，不管字母A的外形、质地和背景怎样，或者不管同事的头上戴着帽子还是变了发型，我们总能认出来。

我们也能根据事物露出的一部分, 比如床的一角或门的铰链，来认出它们。这到底是怎么实现的呢？人类是不是使用了特别简单的技巧来完成这些复杂的任务？这些技巧是不是能用来改善计算机视觉，提高机器学习能力或机器人性能呢？

乔治亚理工学院的研究人员发现，人类能使用不到百分之一的原始信息来给数据分类，他们还确认了一种能够解释人类学习行为的算法，这种方法也能用于提升机器学习能力、数据分析和改善计算机视觉。

“我们怎么能够感知我们周围的这么多数据呢？怎么就能区分这么多种类型，这么快速，这么笃定？”乔治亚理工大学计算机科学的特聘教授桑托什·万帕拉说，“人类那么做的基础是什么？这是一个计算问题。”

该大学负责研究人类行为的研究人员做了“随机投影”试验，来理解人类的学习行为。他们把原始的抽象图像呈现给测试对象，然后询问他们是否能够识别出那些只显露一小部分特征的图像。

“我们假定随机投影是人类学习的一种方式，”阿里亚加说。他是资深科学家和发展心理学家。他解释说：“最简洁的答案是，预测可能总是对的。只要给人类百分之零点一五的数据，人类就能做到准确预测。”

接着，研究人员测试了一个计算机算法，让机器（非常简单的神经网络）计算同样的测验。机器的表现跟人类一样。“我们发现，人类和机器的神经网络非常相似。”

科研人员想找出一个数学定义，找出典型和非典型的公式，然后，据此预测出对人类和机器学习来说最困难的那种数据。人类和机器的表现差不多，这表明随着时间的过去，人们将能预测出最难获悉的数据。

这个研究成果刊登在《神经计算杂志》上，被认为是对“随机投影”的首次研究。

为了测试他们的理论，研究人员做了三组150X150像素的抽象图像，然后把那些图像缩小到最小的随机投影。被测试人员看到所有图像的时间是10秒钟，然后会随意给出某一个图像的16张草图。使用抽象图像的目的是，确保人类和机器都不会提前获得该测试物的相关知识。

“我们惊奇地发现，简单的神经网络和人类的表现是如此接近，”万帕拉说，“通过研究人类学习模式，我们发现机器神经网络的设计太了不起了，不过它还很薄弱。发现它跟人类的行为匹配，真是太让人惊讶了！那是一种几何学、机器神经计算和机器学习能力的创造性组合！”

虽然研究人员不能明确声称人类大脑的识别能力就是随机投影，但是研究结果随机投影看起来是个有道理的解释。

另外，随机投影是使数据不必丢失主要内容而得到有效管理的一种方法，至少对完成分类和做决定这样的基本任务来说是这样。