讓我們用三層智能體的形式重新描繪一下聯結線方案。
K線或者存儲器都可以充當傳送智能體，因為它們都會發送信號給各種其他智能體。接收智能體也可以充當簡單的識別器，因為每個接收智能體只能由特定的聯結器智能體組合喚醒。然而，因為一個典型的智能體必須既能喚醒其他智能體，也能被其他智能體喚醒，所以它一定會傾向於在輸入端和輸出端都形成分支。所以我們的網絡可以畫成這個樣子：
用這種方式表述智能體的時候，我們會看到它們都可以充當簡單的證據加權智能體，只要配備不同的「門檻」價值即可。每個識別器可以從與多個聯結器智能體相連開始，然後以某種方法學會通過改變它的聯結權重來識別特定的信號。根據這種簡單的方案建立學習機器可行嗎？那是20世紀50年代許多科學家的夢想，但沒有一個實驗運行良好，足以激勵進一步的工作。最近，一種新的網絡機器展示出了更好的前景：一種叫作Boltzmann的機器很像一個感知器，它也有一個自動的程序可以學習新的聯結權重，但它還擁有某種能力可以通過利用各種「閉環」過程來解決意義模糊的問題。再過幾年，我們應該能知道更多有關這種機器的事。也許它們可以為那些與K線運作方式相似的記憶系統提供基礎，用以複製舊有的局部思維狀態。
在設計這些聰明的方法來減少聯結線數量的過程中，許多研究者都提出以隨機的方式連線，這樣任何一個特定線路上的信號本身都沒有什麼重要意義，只是代表一塊碎片而已，這塊碎片來自許多不相關的活動之一。這樣做具有數學意義上的優勢，它只會產生非常少的偶然相互作用。然而，在我看來這似乎是個壞主意：它會讓傳送智能組很難學會如何利用接收智能組的能力。我懷疑當我們理解了腦的運作方式時會發現，各種聯結線小組實際上都有本地的重要意義，因為它們在鄰近的水平中其實是最重要的智能體。聯結線本身就能形成微憶體！