问题是——或者至少发生了的改变是——我们人类连一个单细胞那样复杂的系统都无法理解。这并非是说我们在等待一个简洁的理论，能够将所有的细节都调整到位。理论早已经建立起来了：细胞系统由一套精细复杂的、可以理解为信号和响应的交互作用而形成。但那些交互反应无论是在数量上、还是在复杂程度上，都超过了人类大脑所能理解的能力。这类系统的科学，需要计算机存储下所有的细节，然后去看它们如何互相作用。系统生物学建立了电脑模型，利用软件复制下了数百万个部分互相作用时会发生的状况。这和预测天气有点类似，只不过更多地依赖于单个事件而非一般性原则。
这种复杂的模型——不管是细胞生物学、天气、经济，甚至高速公路的交通——经常会令我们沮丧，因为世界比我们的模型所能捕捉的要复杂得多。但是有时候，这些模型也能准确地预测系统的表现。最复杂的是关于涌现性（emergence）和复杂性（complexity）的科学，13其所研究的系统特性，仅仅通过研究“部分”根本无法了解，而且除非观察已经发生的，根本无法准确预测将要发生的。
这标志着科学路径的一个重大转向。不管是对400年前的弗兰西斯·培根、150年前的达尔文、还是对50年前的伯纳德·福舍尔而言，科学的目的都是借助于事实的支持和对事实的解释来建立理论。事实关涉的是具体的事情，而知识（被认为）应该是关涉共性。关于共性的知识的每一个进步，都令我们向完成造物主给我们设定的命运更近了一步。
当然，这种策略也有其现实的考虑。共性总是比具体的事情少，所以如果你知道了共性，那么弄明白具体的事情也不难了。比如说你了解了解释星体运行轨道的普遍定理，那么你就能算出地球上任意一天里火星在天空上的位置。致力于共性其实是人类认识世界的更广泛的传统战略中一项简化的战术，人类只能通过给知识做减法，将知识缩减到我们的大脑、我们的技术能够处理的程度，去认识这个大到不可知的世界。
因此，我们紧盯着那些繁如烟海的数字，直到它们以简单的模式跳出到我们眼前。约翰尼斯·开普勒（Johannes Kepler）[156]仔细观察他的老板——第谷·布拉赫（Tycho Brahe）[157]——精心建立的恒星表，1605年他意识到，如果星体围绕太阳运行的轨道是椭圆形而不是圆形，那么这些数字就很容易说通了。350年后，詹姆斯·沃森（James Watson）[158]和弗兰西斯·克里克（Francis Crick）[159]盯着DNA的X射线看，直到他们意识到，如果分子是双螺旋结构，那么就能很容易地解释那些原子之间距离的数据了。因为这些发现，那些杂乱无章的数据，开始展现出我们可以理解的秩序：噢，原来轨道是椭圆形的！噢，原来分子是双螺旋结构！
不过现在这种基于数据库的新科学出现之后，那种灵光乍现的由繁变简以让我们理解的情况就几乎没有了。因为模型不会简化成一个公式，从而使得我们可以抛弃模型。你只能通过模拟来看会发生什么。比如，艾瑞克·博纳博（Eric Bonabeau）[160]，研究这类模型的专家，举了一个简单的游戏来说明。将10到40个人放在一个房间里。随意给每个人指派另外两个人：一个是攻击者，一个是攻击者的猎物。每个参与者都要遵循一个简单的规则：要让自己置于自己的猎物和猎物的攻击者中间。运动后的结果模式我们能预测吗？如果能，是什么样的？唯一的方式就是去试，要么是和你身边的人去试，要么是通过电脑模拟。14结果是——根据模拟的情况——一组人几乎立刻在房间中间形成一个紧密的集群。
这个结果在模拟之前不可预测，但是模型向我们揭示之后，我们感觉这个结果也可以解释得通。当行为规则越来越复杂之后，我们就失去了那种感觉，不过该感觉本来可能也是错觉。比如，人们在密闭空间中遭遇威胁而逃生时难免惊慌失措。对人们在这种情况下运动路径的电脑模拟却显示，如果在安全出口门前一米处放上一个障碍物，靠近出口两边哪边都可以，反而可以加速疏散人群。15为何？我们可能会提出个理论解释，或者只是一种突发的特性（an emergent property）。我们模拟的情景越来越复杂，从上面那个猎物和攻击者的站队游戏，到全都一个想法想逃出着火的大厦的人们，到人数更多、各自的意图和动机也更加多变的情况，比如市场里。我们可以对这些情况进行模拟，也许不用理解他们就可能知道他们会怎么做。这些事情太过复杂，以至于只有人工大脑——计算机，才能处理那么多数据和其中所产生的那么多的互动。
完全的物理相互作用模型也是如此，不管是细胞、气候模式还是尘埃微粒。比如，康奈尔大学（Cornell）的何德·利普森（Hod Lipson）和迈克尔·施密特（Michael Schmidt）两人共同设计了一个叫做Eureqa的电脑程序，目的就是在那些一直困扰人类的大量数据——包括细胞信号传导和可卡因对白细胞的影响——之中，寻找出简单的方程式。Eureqa寻找一系列可能的方程式，来解释那些数据之中的关联性，然后检验这些方程式，来看它是不是能够更准确地解释数据。Eureqa不断重复这个过程，直到它找到有效和正确的方程式。
德克萨斯大学西南医疗中心（the University of Texas Southwestern Medical Center）的古洛尔·苏埃勒（Gurol Suel）医生就利用Eureqa这个程序，想找出一个细菌所有成千上万个不同组成部分之中，到底是哪个造成了细菌那些非遗传的变异。在消化了苏埃勒输入的一砖厂的数据之后，Eureqa吐出了两个表达细胞里的常数的方程式。苏埃勒得到了答案。但是，他根本不理解这个方程式，也没有任何一个人能理解。16这有点像是爱因斯坦做梦得到了E=mc2，我们一试它果然正确，但就是没有人知道这个C到底代表什么。
得到一个人类无法理解的答案，没有人会很满意。我们希望知其然也知其所以然。我们需要“Eureqa”但是不仅仅是Eureqa。某些情况下，我们无疑也能理解这些程序给出的类似神谕一般的方程式。但世界的复杂性可能远远超过了我们大脑所能理解的程度。一位使用Eureqa的科学家——生物物理学家约翰·威克斯沃（John Wikswo），就告诉《连线》杂志的记者：“生物学的复杂性令人难以置信，它过于复杂，以至于人们无法理解。而解决这个问题的，就是Eureqa项目。”17世界的复杂性就这样简单地超越了我们的大脑理解力。
这种基于模型的认知模式也有很多显而易见的困难，尤其是当我们用它去预测因为历史的奇幻莫测而发生改变的真实事件。比如，白垩纪时代的生态模型数据中，可能不会包括一块巨大的小行星的袭击，没有人会预测到这类“黑天鹅”[161]事件的发生。18但即便如此，模型仍然具有科学假说所需要的预测性力量。我们也多了一种获得知识的新形式。
这种新知识需要的不仅仅是巨大的计算机，还需要一个可以连接这些计算机、向它们输入信息、并且让它们的成果得以为人们接收的网络。这种新知识不再存在于单个个人的大脑里，而是存在于网络的层面。
但是“大”，只是这种新的科学知识所具有的第一个网络特性。
