有些語言學者似乎認為我們處理語言的方式是獨一無二的，也就是用一些框架填充另一些框架來展示一些複雜的結構形式。但是想一想我們在理解視覺場景時是不是也常常會做同樣複雜的事。語言智能組在處理一個短語時必須能夠打斷自己，去攻克另一個短語的組件，這個過程涉及一些複雜的短時記憶技能。而在視覺中，一定也有一些相似的程序會把景象分裂開來，然後把它們表述成組合在一起的客體和關係。下頁的圖顯示了這類程序可以多麼相似。在語言中，主要問題是認出「帶著」和「出去」兩個詞都屬於同一個動詞短語，儘管它們在時間上是分開的。在視覺中，主要的問題是要識別出桌子的兩個區域是同一客體的組成部分，儘管它們在空間上是分開的。
還要注意，我們看不到充當桌腿的那些積木的頂端，但我們一點兒也不懷疑它們會在哪裡結束。與此相似，語言中短語的終點也常常沒有標記，但我們也能夠知道它會在哪裡結束。在「The thief who took the moon moved it to Paris」（偷走了月亮的小偷把它移到了巴黎）這句話中，「who」這個詞是新框架開始的標誌，但是沒有一個特別的詞會提示短語結束了。為什麼我們不會把「the moon」錯誤地安排給那個假短語「The moon moved it to Paris」中的「行動者」呢？這是因為我們先聽到的是「……who took the moon」，它把「the moon」與「took」的Trans-框架中的「對像」代原體連在了一起，所以它就不能再充當「moved」框架中的「行動者」了。「The thief」仍然可以充當這一角色。我並不是想說我們永遠不能把同樣的短語安排給兩個不同的角色，只是說一個好的講話者會謹慎選擇語言形式，不會不小心發生這種事。
我們處理短語式結構的能力是先在語言中還是先在視覺中發展的呢？在我們的祖先中，視覺比語言發展要早得多，所以如果這些能力是相關的，那麼很有可能發展出語言智能組的那些基因變體開始時先影響了我們視覺系統的結構。今天我們無法確認這種推測，但未來的遺傳學也許能夠通過檢查產生相應腦結構的基因來追溯許多此類關係的起源。