我们看到一些例子，然后把它们应用于以前没有见过的情境，通过这种方式，我们总是能从经验中学习。一声吓人的咆哮或吠叫可能会让一个婴儿害怕所有差不多大小的狗，甚至害怕所有的动物。我们是怎么泛化这些零碎的证据呢？我的一只狗曾经被车撞过，于是它再也不去自己被撞的那条街了，但它却从来没有停止过在其他街道上追车。
每个时期的哲学家都会试图概括我们是如何从经验中学到这么多东西的。关于这一点，他们曾经提出过许多理论，起了一些如“抽象法”“归纳法”“溯因法”这样的名字，但还没有人发现一种方式可以一直进行正确的泛化。这大概是因为这样简单的方案根本就不存在，无论我们“学会”什么，最后都可能是错的。无论如何，我们人类不会根据任何固定不变的原则进行学习。相反，我们会积累各种学习方案，这些方案在性质和种类方面都各不相同。
我们已经看到过几种泛化的方式。其中一种就是建立统一框架，在这种方式中，我们会做出一些描述，把认为不重要的细节都排除在外。有一个相关的理念是建立在“水平带”概念中的。然而还有一个方案隐含在多忆体的概念中，这个方案试图通过把一些预期组合在一起来猜测事物的特性，那些预期是根据一些独立属性建立的。不管怎样，我们如何“表述”已知的事物与看似最合理的泛化之间存在着紧密的联系。举例来说，第一次提出椅子“识别器”时，我们是根据多忆体把它组装起来的，与这个多忆体相关的是一些我们已经熟悉的理念，也就是座位、椅子腿和靠背。我们已经给予了这些特征适当的权重。
如果我们改变这些证据的权重，就会产生新的识别器。举例来说，给“靠背”一个负权重，新的智能体就会拒绝椅子，而接受长凳、板凳或者桌子。如果所有权重都增加（但所需要的总权重保持不变），那么新的识别器就会接受更多类型的家具，或者那些有更多特征隐藏在视线之外的家具，还有其他一些根本就不是家具的物体。
为什么这种变体非常有可能产生有用的识别器呢？如果我们只是随机选择旧的识别器，并把它们组合成新的识别器，确实不太可能。但如果每个新的识别器都是由智能体发送的信号组成，并且这些智能体已经证明自己在相关的环境中是有用的，那么产生有用的新识别器的可能性就高得多。就像侯世达所解释的：
使一个主题产生变化是创造性的症结所在。但这并不是两个看不见的概念相撞而产生的一个魔幻而神秘的过程，它是概念可以划分为重要的次级概念元素所产生的结果。