由此，我们可以看到由竞争性规则、分数和环境反馈所组成的相对简单的系统是如何形成灵活的、能够不断学习的模式识别系统的。我们将再次进行假设，看看系统是如何大幅度提高性能的。假设随着时间的推移，系统中的规则将通过自组织形成不同的阶层。由于克米特的世界存在规律性，在克米特的心智模型规则里，最先被激活的模型也具有规律性。比如，与小型的、飞行的蓝色物体相关的规则往往会同时被激活。如果某些规则经常同时被激活，那么它们就会相互关联，我们可以认为它们被分到了一个类别。克米特遇到小型的、飞行的物体时所激活的各种规则可以被归到苍蝇类别里；同样，激活大型的、飞行的、扑翼规则的物体可以被归到鸟这个类别里。克米特的心智模型里存储了许多经验，会相互关联着对苍蝇和鸟作出反应。
这种层级结构赋予了归纳性系统两个重要的优势。第一个优势是结构让系统能够对新事物作出反应。任何心智模型都不可避免地会比它所在的世界简单。因此，克米特永远都会遇到它从未经历过的状况，需要作出一些反应（哪怕是无动于衷）。因此，我们假设克米特大脑中的规则是按照默认层级设置的。当克米特遇到一种情况，它的心智模型就会进行扫描，看看有无针对这一情况的具体反应；如果没有，它就会求助于默认反应。39举个例子来说，克米特或许拥有如下默认反应：如果物体移动且没有其他信息，那么就要逃跑。这是一个通用、保守的规则，其目的是让克米特摆脱困境。然而，在这种通用的默认规则之下，克米特或许会遇到多种情境，拥有更多信息以及针对特定情境的反应，比如，如果附近的小型物体在移动，那么缓慢地靠近。因此，克米特在遇到新事物的时候会比较谨慎，会求助于靠得住的规则，但一段时间之后，它将针对新情况形成一套调整后的技能。
规则层级的第二个优势在于它可以通过类比进行推理。40青蛙或许无法想出字面意义上的隐喻（因此不存在青蛙诗歌），但使用归纳系统的青蛙或其他行为主体可以通过类比进行推理，它们可以说某事物与其他事物相似。层级中的规则集合自然而然地将它们引向了这类推理。比如，克米特拥有的与鸟相关的大部分经验都是跟海鸥打交道，它拥有一个分类叫作鸟，在探测到大型的、飞行的、扑翼的东西时能被激活。有一天，克米特看见了某种大型的、飞行的但并非扑翼的物体，而这种相遇会激发它部分而非全部的探测器。对于克米特来说，这种新物体“跟鸟类似”，但并不完全符合与鸟相关的经验。克米特的心智模型会扫描其他类别以寻求匹配，结果发现它与鸟类的相似性胜过苍蝇与狗。因此，克米特会利用自己的默认层级，搜寻最通用的相关反应，也就是逃跑。通过类比进行推理的能力让处于模糊世界的、不断遇到新事物的克米特拥有了一个很大的优势。相对于将新的不明物体归类于“我不知道它为何物”，当看见某物体跟鸟类似时，克米特更有可能产生正确的反应。举个例子来说，如果克米特看见的非扑翼物体是一只翱翔的、正在寻找青蛙当点心的鹰又会怎样？这个物体还有可能是飞机或其他无害物体，但将它看作与鸟类相似的物体依然是合理的，可以激活保守的反应。关键在于，即便反应并不完美，它作出合适举动的概率也会提高。随着时间的推移，如果鹰或飞机的概念进入克米特的世界，那么它的“跟鸟类似”的定义就会进化，从而在默认层级里发展出更加合适的反应。
