在告诉字母是什么，它在哪里结束，以及下一个字母在哪里开始。当然，由于视觉皮层的归纳偏见，人类可以在没有任何明确训练的情况下解决一种新型的CAPTCHA。哺乳动物大脑视觉皮层中的反馈连接使哺乳动物能够从背景中识别人物(即人物-背景感知)，并隔离“物体的轮廓，即使部分透明的物体占据相同的空间位置”(George等人，2017:1)。
代理所提到(或狡猾地推销)的想象力在人工智能社区更普遍地被称为“一次性学习”，这是一种人类能力，至少在一定程度上是由归纳偏见实现的。单次学习指的是人类儿童或ML系统被展示一个标记的例子，并从中能够学习如何识别同一类别物体的其他例子，无论是猫、字母还是整个单词，依靠各种天生的归纳偏见。例如，典型的人类两岁的孩子可以学习并开始使用像“猫”这样的新词，并且，在看到一个例子之后，可以从不同的角度识别猫，不同颜色和大小的猫以及各种姿势的猫，等等。要让一个ML系统识别照片中的猫，就必须向它展示数百万个不同角度、不同形状、大小、材料、颜色等的猫的例子(Tenenbaum et al. 2011: 1279;Lakeet al.2017:22)。同样，在下了一盘或几盘围棋之后，几乎任何人都会学会如何下围棋，也可以将这些知识泛化，轻松地下围棋的许多变体之一，但对于AlphaGo来说，要做到同样的事情，“需要大量的重新编程和再训练”(Lake et al.2017:23)。来自DeepMind的研究人员发现，在ImageNet上训练的匹配神经网络的一次性学习模型也表现出对形状的偏差，尽管偏差的大小取决于特定的神经架构(Ritter et al.2017)通过这种归纳偏差，神经网络学习如何学习分类或如何成为分类器，即实现分类的算法。
代理公司在他们称之为递归皮质网络(RCN)的“结构化概率生成模型框架”上模拟归纳偏差。生成模型基于概率模型从观察到的或学习到的现象中产生表征或抽象。用马克思的建筑师来解释，如果她想建造一个蜂窝状的结构，这个建筑师会在蜂巢中观察到蜂巢;而这些蜂巢的记忆，则是建筑师的记忆
perfect machines, inhuman labour .
123