类人猿不会通过组合手势、组合发音或者是组合手势与发音来创造新的交流方式（Liebal et al.，2004；Tomasello，2008）。但是人类却能做到，不管是处于交流发展初期的幼儿，还是处于根本没有接触过习俗语言、声音、符号的儿童，都能做到这一点（Goldin-Meadow，2003）。
然而，尽管当前没有充分的理由解释为何一些个体不能将各种指示的姿势串联起来理解（有些个体偶尔会做到这一点），但这种情况并不常见。语言初学者会将他们最早的语言习俗同指示或其他习俗结合起来，而手语初学者则通过指示产生意象符号或习俗符号［就像完全没有接触习俗语言的儿童那样做（Goldin-Meadow，2003）］。因为是在演化中发生的情境，因而个体可以很容易想象出通过打手势表现一些事情的情境（如吃东西），并且之后立刻联系到下一个想法：指示某些特定的食物，如在那边的水果（这个过程可类比儿童早期语言中的“连续单字发音”或洋泾滨语中“支离破碎”的表达）。然而，之后通过一种“心智结合”（mind combination）过程（Piaget，1952），这些连续的想法或者意图被组合成单一想法或意图，进而被带有单一语调轮廓的单一表达说出来。借助一些最低的归类技能，个体可以形成一种图式，如吃的象形手势，它伴随着对自己或他人可吃东西的索引性指示。这样，思维的产生性就通过这种外显（overt）的沟通图式得以支撑和促进。
需要着重强调的是，如同儿童语言，无论内部复杂性如何，早期人类交流对于同一参照意图的不同表达之间的功能连续性已经存在。例如，一个人可以通过两种方式传达“洞穴里有蛇”：他可以在我们接近洞穴的时候模仿蛇的动作，也可以结合蛇的动作同时指向洞穴（如果没有接近洞穴）。这两种表达方式有着相同的交流意图或功能。最初，把符号和直证媒介物组合在一起并不会产生新的交流意图，而是将已存在的象征物切分为各个组合部分。这意味着，在组合中，一个单一的姿势一般只暗示了一个场景的一个方面。因此，在靠近洞穴做蛇的动作时，目的是传递洞穴里有蛇的信息。而结合指向洞穴的动作（或者形象地描绘洞穴）时，这种模仿蛇的动作只暗示了蛇自身，这是因为场景的其他部分是通过其他交流工具表现出来的。这种对情景功能及将其分解成具有不同次级功能的成分的关注是人类交流中层级结构出现的原因。
手势结合使我们对所有命题的主谓结构特点分析成为可能 [15] 。这其中涉及两种成分，而它们的初期形式都已在合作性活动的指示中体现出来。第一种成分是事件与参与者之间特定的认知区分。甚至学习类似人类交流形式的类人猿也能通过符号组合来区别事件和参与者（Tomasello，2008）。第二种成分是共享信息与新异信息之间的区分，如同上面提到的，甚至在指示中，不同的共享知识已经存在内隐区别，而这通常并不是明确由指示体现出来，抑非那些由直证体现出来的新异和引人注意的情景。但这一切却是内隐的，通过手势结合，一个或多个符号经常会被用作和共同基础产生联系（通常把其当作一个视角或主题），之后同其他符号一起指示出新的有趣信息。在许多情境中，个体可以想象他指向一个知觉性呈现的指示物（确保相关信息是共享的），之后用符号示意该指示物的某些方面被接收者认为是新的、值得注意的。
因而整体来看，相比灵长类近亲，早期人类单独或组合使用它们的指示和符号手势，从而更为丰富且有力地传达了更多内容。这种新的交流形式最初发生在合作活动内部，它为参与者提供了必需的共同概念基础以及与其他同伴互换角色和观点所需的机会。因此，借助自然手势的早期人类合作交流需要联合合作活动中双水平概念成分的辅助：共享方面的联合目标和联合注意；个体方面的个人角色和个人视角。而这些都不需要语言交流者对不同的交流伙伴采用不同的方式概念化、视角化相关事物（依赖于共同基础、相关性、新奇性的判断），之后接受者通过社会递归推理理解其意图所指视角，这一切都不是成为语言使用者的结果，而是其先决条件。
