为了让AI处理大量具体例子，仅仅把每个输入都作为完全独立的个案来处理是不够的。如果能够提取不同输入之间共有的特征与关系，并将其作为更高层级的表征使用，那么即使面对过去未曾遇到的情境，也可以迁移已有结构。从这个意义上说，抽象并不仅仅是减少信息，而是使推理和泛化得以成立的重要功能。但是，当对象是人类经验时，会出现另一个问题。即使某种经验能够被恰当地概括到一个高层概念之下，也并不意味着这就是适用于该经验的唯一抽象。
例如，“我想离开现在的工作，但又害怕让身边的人失望”这一陈述允许存在多种抽象。它可以被表征为自主决定与责任之间的关系，也可以被表征为他人的认可与自我评价之间的关系，还可以被表征为群体规范对个人选择的影响。它也可以被理解为对未来不确定性的回避。由于这些抽象都来自同一个陈述，它们可能看起来有所重叠，但并不是同义的。每一种抽象都会把不同的关系置于前景，把不同的条件视为重要因素，并以不同方式影响后续的问题与判断。
于是，问题在于，我们是否只需选择解释力最强的那一个抽象。整合为单一表征能够使处理更简洁，也更容易与类似案例进行对应。但是，如果把一切都整合到“认可”之下，经济上的不确定性或归属的变化就可能在后续推理中退居背景。反过来，如果把“不确定性”置于中心，个人如何内化他人期待这一关系可能就会显得较弱。通过抽象实现的效率，不仅需要根据保留了什么来评价，也需要根据什么被移出了探索空间来评价。
因此，在考虑针对人类经验的内部高效表征时，仅仅沿着“把大量具体例子压缩成少量概念”的方向并不充分。当同一经验存在多个非等价的高层表征时，需要在不将它们过早整合进单一上位概念的情况下，保留它们彼此之间的关系。自由、认可与规范这些坐标不必相互排斥。与此同时，如果把它们合并进“人际关系问题”这样过于宽泛的概念中，就会抹去各个表征原本区分出来的结构。效率并不等同于消除差异的整合。
思考这种结构时，需要区分“产生多个答案”和“保留多个内部表征”。从一个内部分类出发，也可以生成许多表面上不同的句子。在这种情况下，输出虽然多样，但问题被表征的方式仍然只有一种。相比之下，保留多个高层表征，意味着保留这样一些状态：它们在认为什么条件重要、把什么置于因果或关系的中心、以及什么新增信息会更新当前解释等方面彼此不同。重要的不是表征的数量，而是它们在推理中承担的角色彼此并不等价。
哲学概念为思考这种非等价性提供了有力材料。在哲学史中，对于自由、欲望、时间、他者、规范、有限性等对象，并没有收敛到单一定义，而是从不同前提出发提出了不同的关系结构。这些分歧不必被视为尚未整理的知识或需要消除的矛盾。如果把它们作为一种资源，用来表明同一种人类经验可以在多个意义空间中具有不同结构，那么哲学并不是给AI增加正确答案，而是提供可比较的坐标，以考察是否过早收敛到单一表征。
不过，仅仅使用“哲学坐标”这一说法，并不能证明AI内部存在与之对应的概念结构。模型能够恰当地生成“自由”“认可”“规范”等词语，与这些表征是否在后续推理中发挥不同的因果作用，是两个不同的问题。如果要把它们主张为内部表征，就需要进行检验：当输入条件变化时，哪些表征能够稳定地再次出现；相近的表征能否被区分；以及对特定表征进行干预时，判断或生成的倾向是否发生变化。为概念命名可以成为分析的起点，但不能证明内部机制的存在。
保留多个高层表征本身也有成本。如果候选不断增加，搜索空间就会扩大，推理效率也会下降。因此，设计上的问题并不是无限保存所有可能的解释，而是要确定：在什么条件下，应保留可能影响当前判断的非等价表征；又在什么条件下，可以让它们退居背景。即使某个表征被置于背景，只要在新信息到来时还能再次使用，就没有必要将其完全删除。在这里，重新展开的可能性和可更新性，与压缩率一起成为效率的一部分。
从这一视角定义内部高效表征后，其目标就不再是“用最小的表征覆盖最大数量的案例”。更重要的是，在抑制当前推理所不需要的复杂性的同时，不丢失那些可能改变未来判断的意义差异。如果共同部分可以共享，而只把非等价的关系作为分支保留下来，就没有必要独立保存所有案例。同时，也没有必要不可逆地把一切整合进单一抽象概念。效率还可以通过这样一个维度来评价：以多小的负担维持一种能够返回必要差异的结构。
把这一思路应用于Sai＊aus的设计时，保留多个哲学坐标的目的，并不是按照哲学家的数量生成同样数量的答案。其目的在于区分：面对同一个输入，把哪一种关系置于前景会如何改变问题设定，并把这些差异连接到人类能够判断的形式上。如果在一个坐标下自主决定是核心，而在另一个坐标下社会规范是核心，那么AI不应把其中任何一个确定为当事人的“真正问题”，而应处理各自解释了哪些条件、又没有解释哪些条件。多重内部表征不是为了向人类展示更多信息，而是为了防止意义被过早固定。
这种设计在与通用AI比较时也需要谨慎定位。大规模AI同样能够生成多个视角，并根据语境给出不同解释。因此，不能简单地把差异表述为“其他AI只给出一个答案”。Sai＊aus在设计上可以聚焦的，并不是能否生成多个观点本身，而是把这些观点作为非等价的问题表征来处理，并明确把“保留哪些差异”“在什么条件下将其置于前景”“在何处把意义判断交还给人类”作为设计对象。应当比较的不是视角的数量，而是视角之间的差异如何连接到理解的更新。
评价方法也需要随这种设计而改变。候选指标包括：对同一输入应用不同坐标时，重要条件的选择是否实际发生变化；能否随着新增信息更新适当坐标的权重；曾被置于背景的表征能否在需要时重新展开；以及呈现多个表征之后，用户是否能够更准确地区分主要判断点。这些并不是单一的普遍尺度，但可以把“多重表征”这一设计理念连接到可观察的行为上。在理念与效果之间保持可测量的距离是重要的。
单一抽象往往很有力量。如果找不到共同结构，知识迁移和高效推理都会变得困难。然而，在人类经验中，抽象本身的成功有时会抹去另一种意义。因此，需要的既不是拒绝压缩，也不是原封不动地保存复杂性，而是处理：哪些部分可以共享到什么程度，以及从哪里开始应当分支为非等价表征。多个哲学坐标为思考这一边界提供了一种方式。
对于试图理解人类的AI而言，效率并不只是沿最短路径到达一个解释。它还包括：在把当前判断所需的结构置于前景的同时，不失去未来通过另一种视角进行更新的可能性。不是保持单一的最小表征，而是保持能够在需要时重新展开到不同意义空间的表征。此时，内部高效表征就从消除复杂性的压缩，转变为一种设计：以可重复利用的形式保留复杂性中的重要差异。而最终将哪一种意义作为自己的问题来承担，并不是在AI内部被确定，而是被交还给人类判断。
不是答案，而是理解。