Dans ce modèle, un concept (comme le plus à droite) est identifié non par un seul nœud, mais plutôt par une région dans le Slipnet, centrée sur un nœud particulier et ayant des frontières floues : les nœuds voisins (comme le plus à gauche) peuvent être inclus dans le concept, en fonction de leur proximité au nœud central du concept. Ici « inclus dans » signifie « glissable depuis » ou, en d'autres termes, « assimilé dans l'analogie donnée ». C'est comme en mécanique quantique où la position spatiale d'un électron est « décidée » uniquement au moment où il est mesuré, la composition d'un concept dans l'espace sémantique n'est décidée qu'au moment où les glissements sont explicitement effectués. Par exemple, dans le problème abc->abd, iijjkk->?, le groupe kk est-il une instance du concept lettre? Si on fait une correspondance entre c et le groupe kk, alors on peut dire effectivement « dans ce contexte, oui » ; c'est ce que le glissement lettre groupe dit. C'est ce que nous voulons dire par « concepts fluides » : les gens sont capables de prendre une règle comme « Remplacer la lettre la plus à droite par son successeur » tout en permettant aux mots de cette règle (comme lettre) d'être étendus souplement. Tout le problème du projet COPYCAT est d'étudier comment la perception et les concepts peuvent interagir pour savoir quels mots de la règle peuvent glisser, et comment les glisser, en conservant cependant l'esprit de la règle originelle.
On pourrait comparer un concept dans le Slipnet à l'agglomération d'une ville. Par exemple, l'agglomération de New York n'est pas définie par des frontières précises, c'est plutôt une région centrale, se répandant jusque dans les banlieues, avec des contours plutôt flous. On pourrait dire que la proximité conceptuelle d'un lieu donné avec New York est la probabilité qu'une personne qui y vit réponde « New York » quand on lui demande où elle habite. La proximité conceptuelle serait ici dépendante du contexte ; elle dépend non seulement de la distance physique du lieu donné jusqu'au centre de Manhattan, mais aussi de qui pose la question, et pourquoi, si la personne connaît New York ou non, quel intérêt aura pour elle la réponse, etc. Il en est de même dans le Slipnet, la proximité conceptuelle d'un nœud à ses voisins est dépendante du contexte. Par exemple, dans certaines situations (abc->abd, kji->?), le nœud le plus à gauche pourrait être fortement associé avec le nœud le plus à droite, rendant un glissement de l'un vers l'autre plus probable, contrairement à d'autres situations (abc->abd, ijk->?) dans lesquelles la proximité conceptuelle et la probabilité de glissement sont bien plus faibles.
Comme les proximités conceptuelles entre deux nœuds sont dépendantes du contexte, les concepts du Slipnet sont émergents plutôt que définis explicitement. En d'autres termes, il n'est pas dit une fois pour toutes que groupe fait partie du concept lettre ou que le plus à gauche fait partie du concept le plus à droite. Le degré d'appartenance d'un nœud à un concept émerge à partir d'un grand nombre d'activités ayant lieu alors que le programme essaye de résoudre le problème qu'on lui a soumis. De plus, comme la proximité entre deux nœuds donne seulement la probabilité d'un glissement, les concepts sont flous et jamais définis explicitement.
En somme, les concepts peuvent s'adapter (en terme de pertinence et d'association avec un autre concept) à différentes situations. COPYCAT ne fait pas d'apprentissage comme on l'entend habituellement. Il ne retient pas non plus les changements dans le réseau d'une exécution à une autre, et ne crée pas de nouveaux concepts permanents. Pourtant ce projet concerne l'apprentissage, quand on prend ce terme au sens d'adaptation de concepts à de nouveaux contextes.