人们制造的很多机器都会在组件发生故障时停止工作，我们的思维在改变自我的时候却能够持续运行，这不是很神奇吗？实际上，它们必须这样，因为思维在“关门装修”的时候无法简单地关机。但如果正在调整的是重要组件，甚至可能失去这部分组件，我们要怎样维持运行呢？事实上，我们的脑在受到损伤和大量细胞死亡的境况下，还是能继续维持运行。怎么会有这么强韧的事物呢？有这样几种可能性：
复制（duplication） ：设计一台机器，让它的每个功能都由若干个复制出的智能体在不同的地方实现，这是有可能的。那么，如果任何一个智能体的能力丧失，它的一个副本就可以“接管”它的工作。根据这种复制方案制作的机器，其强韧性可能很惊人。举例而言，假设每种功能都复制到了十个智能体中。如果一次事故毁掉了其中的一半，任何特殊功能完全失效的可能性和扔十次硬币全部都是正面朝上的可能性一样大，也就是不到1/1000的可能性。而人脑中有很多区域确实存在若干副本。
自我修复（self-repair） ：身体中的许多器官都可以再生，也就是说它们可以替代损伤或疾病中失去的部分，然而脑细胞通常不具备这种能力。因此，大脑的强韧并没有太依赖愈合功能。于是人们会想，为什么像大脑这样重要的器官进化得还不如其他器官中那些可以修复或替代损伤的部分。大概是因为只是替代单个的脑-智能体没有什么用吧，除非愈合过程可以同时恢复所有这些智能体之间已经学会的联结。既然体现我们学习内容的是那些网络，那么仅仅替换单独的组件也无法恢复失去的功能。
分布过程（distributed processes） ：也有可能制造一台机器，其中没有一项功能是定位于某个具体位置的。相反，每项功能都“广泛分布”在一片区域，这样每个部分的活动对每项不同的功能都有一点儿贡献。那么任何一个小部分被破坏也不会损害整体的功能，只会对许多不同的功能造成一些小损伤。
积累（accumulation） ：我确信我们的脑可以利用上述所有方法，但我们还有另外一个强韧性的来源，它可以提供更多优势。想一个从利用积累开始的学习方案，在这种方法中，每个智能体都倾向于积累一整套次级智能体，它们可以通过几种方式实现这个智能体的目标。之后，如果任意一个次级智能体受损，它们的主管仍然能够完成自己的任务，因为它的其他次级智能体将会继续完成剩下的工作，尽管是以不同的方式完成。所以，积累，这种最简单的学习方式既能提供强韧性，又具有多种功能。我们的学习系统可以建立一个多样化中心，其中每个智能体都配备各式各样的备选项。如果这个中心被破坏，那只有等到这个系统逆转并且几近耗竭的时候，效果才会开始显现。