让我们用三层智能体的形式重新描绘一下联结线方案。
K线或者存储器都可以充当传送智能体，因为它们都会发送信号给各种其他智能体。接收智能体也可以充当简单的识别器，因为每个接收智能体只能由特定的联结器智能体组合唤醒。然而，因为一个典型的智能体必须既能唤醒其他智能体，也能被其他智能体唤醒，所以它一定会倾向于在输入端和输出端都形成分支。所以我们的网络可以画成这个样子：
用这种方式表述智能体的时候，我们会看到它们都可以充当简单的证据加权智能体，只要配备不同的“门槛”价值即可。每个识别器可以从与多个联结器智能体相连开始，然后以某种方法学会通过改变它的联结权重来识别特定的信号。根据这种简单的方案建立学习机器可行吗？那是20世纪50年代许多科学家的梦想，但没有一个实验运行良好，足以激励进一步的工作。最近，一种新的网络机器展示出了更好的前景：一种叫作Boltzmann的机器很像一个感知器，它也有一个自动的程序可以学习新的联结权重，但它还拥有某种能力可以通过利用各种“闭环”过程来解决意义模糊的问题。再过几年，我们应该能知道更多有关这种机器的事。也许它们可以为那些与K线运作方式相似的记忆系统提供基础，用以复制旧有的局部思维状态。
在设计这些聪明的方法来减少联结线数量的过程中，许多研究者都提出以随机的方式连线，这样任何一个特定线路上的信号本身都没有什么重要意义，只是代表一块碎片而已，这块碎片来自许多不相关的活动之一。这样做具有数学意义上的优势，它只会产生非常少的偶然相互作用。然而，在我看来这似乎是个坏主意：它会让传送智能组很难学会如何利用接收智能组的能力。我怀疑当我们理解了脑的运作方式时会发现，各种联结线小组实际上都有本地的重要意义，因为它们在邻近的水平中其实是最重要的智能体。联结线本身就能形成微忆体！