為了讓AI處理大量具體例子，僅僅把每個輸入都作為完全獨立的個案來處理是不夠的。如果能夠提取不同輸入之間共有的特徵與關係，並將其作為更高層級的表徵使用，那麼即使面對過去未曾遇到的情境，也可以轉用既有結構。從這個意義上說，抽象並不只是減少資訊，而是使推理與泛化得以成立的重要功能。但是，當對象是人類經驗時，會出現另一個問題。即使某種經驗能夠被恰當地概括到一個高層概念之下，也不表示這就是適用於該經驗的唯一抽象。
例如，「我想離開現在的工作，但又害怕讓身邊的人失望」這一陳述容許存在多種抽象。它可以被表徵為自主決定與責任之間的關係，也可以被表徵為他人的認可與自我評價之間的關係，還可以被表徵為群體規範對個人選擇的影響。它也可以被理解為對未來不確定性的迴避。由於這些抽象都來自同一個陳述，它們可能看起來有所重疊，但並不是同義的。每一種抽象都會把不同的關係置於前景，把不同的條件視為重要因素，並以不同方式影響後續的問題與判斷。
於是，問題在於，我們是否只需選擇解釋力最強的那一個抽象。整合為單一表徵能使處理更簡潔，也更容易與相似案例進行對應。但是，如果把一切都整合到「認可」之下，經濟上的不確定性或歸屬的變化就可能在後續推理中退居背景。反過來，如果把「不確定性」置於中心，個人如何內化他人期待這一關係可能就會顯得較弱。透過抽象實現的效率，不僅需要根據保留了什麼來評價，也需要根據什麼被移出了探索空間來評價。
因此，在考慮針對人類經驗的內部高效表徵時，僅僅沿著「把大量具體例子壓縮成少量概念」的方向並不充分。當同一經驗存在多個非等價的高層表徵時，需要在不將它們過早整合進單一上位概念的情況下，保留它們彼此之間的關係。自由、認可與規範這些座標不必相互排斥。同時，如果把它們合併進「人際關係問題」這樣過於寬泛的概念中，就會抹去各個表徵原本區分出的結構。效率並不等同於消除差異的整合。
思考這種結構時，需要區分「產生多個答案」與「保留多個內部表徵」。從一個內部分類出發，也可以生成許多表面上不同的句子。在這種情況下，輸出雖然多樣，但問題被表徵的方式仍然只有一種。相比之下，保留多個高層表徵，意味著保留這樣一些狀態：它們在認為哪些條件重要、把什麼置於因果或關係的中心，以及哪些新增資訊會更新當前解釋等方面彼此不同。重要的不是表徵的數量，而是它們在推理中承擔的角色彼此並不等價。
哲學概念為思考這種非等價性提供了有力材料。在哲學史中，對於自由、欲望、時間、他者、規範、有限性等對象，並沒有收斂到單一定義，而是從不同前提出發提出了不同的關係結構。這些分歧不必被視為尚未整理的知識或需要消除的矛盾。如果把它們作為一種資源，用來表明同一種人類經驗可以在多個意義空間中具有不同結構，那麼哲學並不是給AI增加正確答案，而是提供可比較的座標，以考察是否過早收斂到單一表徵。
不過，僅僅使用「哲學座標」這一說法，並不能證明AI內部存在與之對應的概念結構。模型能夠恰當地生成「自由」「認可」「規範」等詞語，與這些表徵是否在後續推理中發揮不同的因果作用，是兩個不同的問題。如果要把它們主張為內部表徵，就需要進行檢驗：當輸入條件改變時，哪些表徵能夠穩定地再次出現；相近的表徵能否被區分；以及對特定表徵進行干預時，判斷或生成的傾向是否發生變化。為概念命名可以成為分析的起點，但不能證明內部機制的存在。
保留多個高層表徵本身也有成本。如果候選不斷增加，搜尋空間就會擴大，推理效率也會下降。因此，設計上的問題並不是無限制地保存所有可能的解釋，而是要確定：在什麼條件下，應保留可能影響當前判斷的非等價表徵；又在什麼條件下，可以讓它們退居背景。即使某個表徵被置於背景，只要在新資訊到來時還能再次使用，就沒有必要將其完全刪除。在這裡，重新展開的可能性與可更新性，與壓縮率一起成為效率的一部分。
從這一視角定義內部高效表徵後，其目標就不再是「用最小的表徵覆蓋最大數量的案例」。更重要的是，在抑制當前推理所不需要的複雜性的同時，不丟失那些可能改變未來判斷的意義差異。如果共同部分可以共享，而只把非等價的關係作為分支保留下來，就沒有必要獨立保存所有案例。同時，也沒有必要不可逆地把一切整合進單一抽象概念。效率還可以透過這樣一個維度來評價：以多小的負擔維持一種能夠返回必要差異的結構。
把這一思路應用於Sai＊aus的設計時，保留多個哲學座標的目的，並不是按照哲學家的數量生成同樣數量的答案。其目的在於區分：面對同一個輸入，把哪一種關係置於前景會如何改變問題設定，並把這些差異連接到人類能夠判斷的形式上。如果在一個座標下自主決定是核心，而在另一個座標下社會規範是核心，那麼AI不應把其中任何一個確定為當事人的「真正問題」，而應處理各自解釋了哪些條件、又沒有解釋哪些條件。多重內部表徵不是為了向人類展示更多資訊，而是為了防止意義被過早固定。
這種設計在與通用AI比較時也需要謹慎定位。大規模AI同樣能夠生成多個視角，並根據語境給出不同解釋。因此，不能簡單地把差異表述為「其他AI只給出一個答案」。Sai＊aus在設計上可以聚焦的，並不是能否生成多個觀點本身，而是把這些觀點作為非等價的問題表徵來處理，並明確把「保留哪些差異」「在什麼條件下將其置於前景」「在何處把意義判斷交還給人類」作為設計對象。應當比較的不是視角的數量，而是視角之間的差異如何連接到理解的更新。
評價方法也需要隨這種設計而改變。候選指標包括：對同一輸入應用不同座標時，重要條件的選擇是否實際發生變化；能否隨著新增資訊更新適當座標的權重；曾被置於背景的表徵能否在需要時重新展開；以及呈現多個表徵之後，使用者是否能夠更準確地區分主要判斷點。這些並不是單一的普遍尺度，但可以把「多重表徵」這一設計理念連接到可觀察的行為上。在理念與效果之間保持可測量的距離是重要的。
單一抽象往往很有力量。如果找不到共同結構，知識遷移和高效推理都會變得困難。然而，在人類經驗中，抽象本身的成功有時會抹去另一種意義。因此，需要的既不是拒絕壓縮，也不是原封不動地保存複雜性，而是處理：哪些部分可以共享到什麼程度，以及從哪裡開始應當分支為非等價表徵。多個哲學座標為思考這一邊界提供了一種方式。
對於試圖理解人類的AI而言，效率並不只是沿最短路徑到達一個解釋。它還包括：在把當前判斷所需的結構置於前景的同時，不失去未來透過另一種視角進行更新的可能性。不是保持單一的最小表徵，而是保持能夠在需要時重新展開到不同意義空間的表徵。此時，內部高效表徵就從消除複雜性的壓縮，轉變為一種設計：以可重複利用的形式保留複雜性中的重要差異。而最終將哪一種意義作為自己的問題來承擔，並不是在AI內部被確定，而是被交還給人類判斷。
不是答案，而是理解。