随机联系的神经元连接，只有一部分新生儿一生下来就拥有两岁小孩的大脑智力。
这些模式很重要的这些混乱的自组织方法的某些细节是至关重要的，它们是以模式约束，确定初始条件规则和自组织方式的形式显示出来的，而最初在约束中的许多细节都是任意设置的，系统然后实行自组织并逐步表现出已提交给系统的信息的不变特征。所产生的信息在特定的节点或连接中找不到，相反的，这是一个分布式的模式。
大脑是全息的，全息图中的分散信息和大脑网络中信息的表现形式有类似之处。我们也在用于计算机模式识别的自组织方法，例如神经网络、遗传算法中发现了这一点。
大脑是密切联系的。大脑从一个深层的连接网络中得到恢复力，在这个网络中的信息从一个点转到另外一点的方式有很多种。拿互联网来作类比，随着其组成节点的数量增加，网络已变得越来越稳定。节点甚至互联网整个枢纽，可以变得不起作用，而整个网络却不会因此而瘫痪。
同样我们不断丧失神经元，但这并没有影响到整个大脑的完整性。
这也就是我们和计算机最大的不同之处，也就是为什么能够解释现在人工智能要和人的大脑结合，因为我们人的大脑可以丢掉一些不用的细胞，来进行新的细胞繁殖。
但是人工智能和计算机就无法做到这一点，因为他们的每一个零件都是至关重要的，说到最简单的一点，如果我们现在不使用这些电子设备的话，完全回归到自然当中，那么人工智能对于我们来说也是束手无策的。
大脑的确有一个区域的架构。虽然区域内的连接细节最初是随机约束的，而且这些细节还是自组织的，但是仍然有一个区域架构，它使得几百个有特定连接模式的区域执行特定的功能。
一个大脑区域的设计比一个神经元的设计还要简单。在更高层次的模拟常常会更简单，而不是更复杂。类比一台计算机，如果我们要模拟一个晶体管，我们需要详细了解半导体物理学原理，而一个真正的晶体管所隐藏的方程是很复杂的。
然而，在两个数字相乘的数字电路中，虽然涉及数百个晶体管，但模拟起来却更简单，只涉及少数公式。一个由数十亿个晶体管组成的计算机可以通过其指令集和寄存器描述来模拟，而这些可以由少量的文字和数学变换来描述。
一个操作系统、语言编译器和组译器的软件程序是复杂的，但模拟特定程序，例如基础的语音识别系统，却可能用短短几页的方程
…。。