有時在夜裡，幻想著什麼惶恐，
好容易把一棵矮樹看作人熊。
——威廉·莎士比亞
下圖中描繪了一個聯結方案，這個方案可以讓許多智能體互相交流，但所需要的聯結線卻少得驚人。這個方案是由卡爾文E.穆爾斯在1946年計算機時代來臨之前發明的。通過這種方式，我們僅用10根線路就可以讓幾百個「傳送智能體」中的任意一個激活相似數量的「接收智能體」。訣竅就在於讓每個傳送智能體激活不是1條，而是5條線路，這5條線路是從那10根線路中隨機選取的。然後，每個接收智能體都配有一個且-智能體，用於識別同一個5線組合。
在這個例子中，每個接收智能體都是由一個傳送智能體精確喚醒的。如果想讓每個接收智能體對若干個傳送智能體做出反應，我們可以加入一些單獨的識別器，那麼接收智能組的輸入看上去就好像一棵樹，每個樹枝的尖端都帶有一個識別器。這些接收器如何能學會要識別哪些輸入模式呢？方法之一就是使用我們之前描述過的那種證據加權機器。實際上，這對腦細胞來說是非常合理的，因為一個典型的腦細胞實際上擁有一個樹狀的網絡，可以收集它的輸入信號。沒有人確切知道這些網絡是幹什麼用的，但如果發現它們就是像感知器一樣的簡單學習機器，我一點兒也不會吃驚的。
上圖中展示的網絡有一個嚴重的缺陷：它每次只能傳送一個信號。問題在於，如果若干個傳送智能體同時被喚醒，那麼幾乎所有10根聯結線路都會被激活，繼而又會喚醒所有的接收智能體，並產生雪崩效應。然而，通過為系統提供足夠的附加聯結線，我們就可以讓這個問題消失。舉例而言，假設有1萬根聯結線，而不是10根，那麼每個傳送智能體就會和50根線相連。於是，就算是有100個智能體要同時發送信號，錯誤地激活某個特定的接收智能體的概率只有不到萬億分之一。