有时在夜里，幻想着什么惶恐，
好容易把一棵矮树看作人熊。
——威廉·莎士比亚
下图中描绘了一个联结方案，这个方案可以让许多智能体互相交流，但所需要的联结线却少得惊人。这个方案是由卡尔文E.穆尔斯在1946年计算机时代来临之前发明的。通过这种方式，我们仅用10根线路就可以让几百个“传送智能体”中的任意一个激活相似数量的“接收智能体”。诀窍就在于让每个传送智能体激活不是1条，而是5条线路，这5条线路是从那10根线路中随机选取的。然后，每个接收智能体都配有一个且-智能体，用于识别同一个5线组合。
在这个例子中，每个接收智能体都是由一个传送智能体精确唤醒的。如果想让每个接收智能体对若干个传送智能体做出反应，我们可以加入一些单独的识别器，那么接收智能组的输入看上去就好像一棵树，每个树枝的尖端都带有一个识别器。这些接收器如何能学会要识别哪些输入模式呢？方法之一就是使用我们之前描述过的那种证据加权机器。实际上，这对脑细胞来说是非常合理的，因为一个典型的脑细胞实际上拥有一个树状的网络，可以收集它的输入信号。没有人确切知道这些网络是干什么用的，但如果发现它们就是像感知器一样的简单学习机器，我一点儿也不会吃惊的。
上图中展示的网络有一个严重的缺陷：它每次只能传送一个信号。问题在于，如果若干个传送智能体同时被唤醒，那么几乎所有10根联结线路都会被激活，继而又会唤醒所有的接收智能体，并产生雪崩效应。然而，通过为系统提供足够的附加联结线，我们就可以让这个问题消失。举例而言，假设有1万根联结线，而不是10根，那么每个传送智能体就会和50根线相连。于是，就算是有100个智能体要同时发送信号，错误地激活某个特定的接收智能体的概率只有不到万亿分之一。