让我们回到移动思维家具的例子中。要想象移动一间屋子里的物品，我们需要怎么做？我们首先需要某种方式来表述物品在那个空间中是如何排列的。在“积木拱桥”的场景中，我们用的是物体的形状以及它们之间的关系来表述场景。在房间场景中，你可能会把每个物品与墙和角落联系起来，你可能会注意到沙发大约在桌子和椅子的中间，而这三个物品在某堵墙附近排成了一条直线。
一旦有办法表述房间，我们还需要一些技术来操控这些表象。我们如何能把改变沙发和椅子位置的结果视觉化呢？让我们过度简化一下，假设只要交换两种智能体的状态就可以做到：智能体A表述沙发，智能体B表述椅子。要交换它们的状态，我们假定两种智能组都可以获得“短时记忆单元”，我们称之为M-1和M-2，它们可以记录智能组的状态。然后，我们就可以通过先储存A和B的状态，再用相反的顺序恢复它们来交换A和B的状态。换句话说，我们可以用以下这种简单的四步“脚本”：
1.在M-1中储存A的状态。
2.在M-2中储存B的状态。
3.用M-2决定A的状态。
4.用M-1决定B的状态。
这样的“记忆控制脚本”只有在我们有足够小的记忆单元时才能生效，这种记忆单元可以把较大场景中沙发尺寸的部分挑选出来。M-1和M-2如果只能储存整个房间的描述，就无法完成这项工作。换句话说，我们必须能够把短时记忆与当前问题的适当方面联系在一起才行。要学会这种能力并不简单，而且有的人恐怕永远也无法掌握这种能力。如果我们想重新安排三种或更多物品时怎么办？事实上，我们只要利用同时交换两个物品的操作方法，是有可能任意重新安排的！当你处理一种不熟悉的问题时，最好还是先从改变一到两处开始。然后，在成为专家的过程中，你会发现一些方法可以同时在记忆中进行多处改变。
我们的成对交换脚本需要更多的机器，因为每个记忆单元都必须等到之前那一步完成才行，而脚本中的每一步所需的时间取决于各种各样的“条件传感器”。简而言之，我们将会看到，就算这样也不足以解决困难的问题：我们的记忆控制程序在向其他智能组或记忆寻求帮助时同样也需要一些方式来干扰它们自己。实际上，我们在管理记忆时需要解决的问题，与我们在处理外部世界的事物时所面对的问题惊人地相似。