要想深入研究涌现现象，就会面临学习这个问题。现实世界里蕴藏着无穷的未知和新奇，我们需要努力尝试把从实践中积累的经验归纳到模型中去。我们学习如何行动、预测未来、运用模型来指导应对和处理各种情况。不知何故，通过学习，各种模型会不断地从我们所感知到的众多知觉中涌现。毫无疑问，对学习的进一步理解，将有利于人们对涌现现象进行深入研究。而塞缪尔的国际跳棋程序中的学习机制，将有助于我们进一步明确自学习和建模之间的关系。几乎没有比它更合适的模型了。
令人费解的是，机器学习长期不受重视，处于人工智能领域不被人注意的角落。直到近些年，情况才有所改观。这的确有些奇怪，因为大部分人都认为，一个不具备学习能力的有机体不是智能的。然而，在人工智能的大部分发展历史中，对于自学习的研究却一直未进入主流行列。塞缪尔于1959年对国际跳棋程序的研究，以及纳撒尼尔·罗切斯特等人对环形神经网络的研究工作（Rochester, et al., 1956），尽管完成于半个多世纪以前，却仍然属于机器学习研究的前沿领域。由于这两项工作开始于计算机时代的早期，因而无须过多考虑计算机语言、界面以及其他诸多因素的影响。它们的结构虽然比较简单，却有助于对那些具备学习机制的计算机模型展开进一步研究。在这一章，我们将集中研究塞缪尔的国际跳棋程序，下一章将围绕环形神经网络进行讨论。尽管这两个模型并不相同，但它们具备的重要共同特征，有助于形成涌现过程的一个普适框架。
在继续这个话题之前，先来看一个有趣的问题：塞缪尔建模的对象到底是什么呢？他并非试图模拟博弈过程中棋手的整个思考过程，而是在策略的层面上进行研究。塞缪尔精心挑选了建模所需的积木块，用它来描述和成功博弈相关联的特征，然后确定这些积木块的权重并予以组合，从而给出确定策略的种种方法。起初，塞缪尔对使用实践经验来修正和改进策略很感兴趣，并不考虑神经元或者神经生理学方面的因素。正是在这样的层次上，该模型模拟了学习过程。在第6章，我们将会看到在关于涌现和创新的基于主体的模型中，这些原理发挥着关键作用。
