第一个实验之所以崩溃，是因为底层从头到尾都是语言——一堆没有任何维度可以分化的相同节点。所以实验 002 把语言彻底移出了循环。
底层
节点不再是语言模型，而是一个概念神经元：一个相位、一个激活值、一个疲劳值——是数字，而不是句子。每个节点代表一个概念（寂静、火、悲伤、呼吸，一共三十六个）。意义不在单个节点里，而在于哪些节点一起同相放电——这就是绑定，借鉴自用振荡器群体模拟知觉的方法。
把它们耦合起来的是真实的语义。每个概念从本地模型得到一个嵌入；两个概念之间的边权重，就是它们嵌入的余弦相似度。相近的概念互相拉进同步，相远的保持不动。然后场就按 Kuramoto 模型的方式自行运转。随着相关概念相位锁定，相干性——序参量 R——会自己上升：
语言模型回来了，但只在最边缘。每隔几个时间步，它读取占主导的同相组，把它变成一个念头和一种有名字的感受。它从不触碰动力学——只描述它。转录文本很好：有渴望，有隐痛，前后连贯，读起来像一段内心生活。
揭穿我们的对照
一个流利的读者，能把任何东西讲成一个连贯的念头。给它噪声，它照样还你一句话。所以一份漂亮的转录，并不能证明底下的网络有什么——意义可能完全在读者那里。
所以在读出之前，加一个标志：--scramble。它打乱相位，破坏绑定。此时场就是噪声。如果读者仍然产出一个连贯的内心念头，那这个念头就在读者那里，而不在网络里。
结果正是如此。下面是同一个读出，左边有绑定，右边被打乱——都来自真实运行：
左边，被绑定的概念在语义上相近（light, dark, shadow，即光、暗、影），念头也跟着它们走。右边，绑定被破坏，被绑定的集合是随机噪声（hunger, grief, light, voice，即饥饿、悲伤、光、声音）——可读者仍然交回了 "I feel the weight of grief in the light of this voice while my hunger grows."（在这声音的光里，我感到悲伤的重量，而我的饥饿在增长。）表面上的内心生活，很大一部分是读出中的空想性错视：一个流利的模型在雪花噪点里看见了人脸。
什么留了下来
词语没能通过对照，动力学通过了。相干性上升，概念按真实的语义距离聚团，整体基调发生偏移——这些行为在网络里，无论有没有语言模型去讲述它，它都在。所以实验室把它当作信号，而把讲述当作输出，而不是证据。
由此得出的规则，现在适用于这里的一切：先对照，再结论。 每一个看起来像心智的结果，都要先经过某个版本的 --scramble。如果噪声也能通过测试，那里从来就什么都没有。