建立有效的涌现理论，需要通过深入了解，选择有创造力、有严格定义的框架，即一系列的机制，以及对它们之间相互作用的约束，并且对一些可能为真的定理做出推测。例如，关于杠杆点的推测，有限的局部行为导致整体行为的扩展和受控方式的改变，可参见《隐秩序》一书。在涌现的例子中，这些深入了解只能借助计算机探索得到。我之所以强调“探索”一词，是因为我们还没有很完美的数据匹配和统计结果，我们需要发现一些“滑翔机”。
实现目标分为几个阶段。模型可以作为我们探索预期机制和约束的主要指导，这样可以找到出现涌现现象的一些前提条件。接下来，我们应该学习涌现过程中有关预测和控制的关键阶段。这样获得的知识会帮助我们更好地理解人类智慧的明珠：隐喻和创新。下面，让我们分别来看一看这些关键阶段。
作为指导的模型
人们一般根据预测的准确性来判断模型是否有效。但是，我们在科学研究中已经看到了其他至少两种模型。对于这两种模型，不是根据能否正确预测来判断有效性的。一种模型能够提供严谨的证明，来说明有些事情是可能的，正如冯·诺伊曼提出的能够自我复制的机器。当动态模型按照预想的方式开始工作时，如同专利设备注册生效时一样，一种新的事物诞生了。另一种模型则会在提供关于复杂情况的信息时起作用，这些信息指出到什么地方去发现关键现象、控制点等。麦克斯韦的“悬浮齿轮”、赫伯特·西蒙于1969年提出的“有限理性”经济模型、薛定谔于1956年提出的生命类晶体模型和免疫学中的“锁—钥匙”模型等，都是这类模型的例子。它们探索并进行了解释，这种模型的有效性基于它们所阐述的思想的重要性和说服力。如果说受限生成过程和与之相关的回声模型是成功的，那么先决条件是它们属于第二种类型的模型。
在探索中使用计算机模型与在物理学中运用思维实验相似。但它更多的是智力的演练，而不是数据的收集。计算机模型的严格定义，保证了我们在执行程序中观察到的任何现象都有足够的初始条件，这种形式不能保证当初始条件发生轻微改变时，我们之前观察到的现象会重现。但是计算机模型可以通过很容易地改变初始条件，进而确定产生相同现象的变量。
在改变哪些初始条件和决定哪些现象是关键特征时，洞察力和感觉至关重要。在涌现研究中，各学科间的比较对于提升洞察力和感觉有举足轻重的作用。正如我多次强调过的，学科间的比较能够区分偶然现象和本质现象，通过寻找不同情况下的相同现象，我们能够从与前后情况相关联的特征中分离出经常出现的特征，而且，在一种情况下被隐藏了的特征可能在其他情况下显现出来。洞察力和直觉都有助于涌现模型的构建。
这个阶段的探索是一个智力探索问题，不是通过试验、再试验来得到“统计性显著联系”。持续收集数据直到出现显著联系的培根方法，在这里可能不起作用，因为具有涌现现象的系统实在太复杂了。特别是，非线性的相互作用常常无法进行简单分析，例如回归，它能够揭示偶然的联系。细心的探测，并在条件和现象之间反复迭代，能够大概了解显著联系。这种联系提供了条件和相应的结果，也有助于形成更通用的正式理论。
在这个探索阶段，应该及时了解那些确实会产生涌现现象的条件。在研究的初始阶段，如果我们假定引起涌现的一系列充分条件，那么，这些条件就可以集中到产生复杂适应系统的条件中。这里有一种互动关系：要想真正掌握复杂适应系统，需要掌握同它密切相关的涌现现象。在我们对复杂适应系统的探索中，计算机模型起到了关键性的作用，模型显示，遵守简单规则的主体能够适应复杂的协作关系／竞争关系。昆虫—蚂蚁—苍蝇的三角关系、囚徒困境中协作关系的演化、由遵守简单买卖规则的主体构成的市场等，都极大地扩展了我们对典型的复杂适应系统行为的了解。这种不断增长的了解为我们掌握涌现奠定了基础。最终，我们应该能够严格定义这样的理论框架来指导我们的实验，就如同使我们理解电磁波和频谱的麦克斯韦方程和定理那样。
在最广义的层次上，本书的主旨是模型和模型的构建。模型可以说是人类充满智慧的探索过程的基础。在研究过程的每个阶段都存在模型，比如从人类早期的游戏到严格的数学模型，再到现在的计算机模型。我们已经讨论过“源—目标”模型之间的联系，以此来理解科学中很有价值的各种还原过程。最重要的是，我们已经看到，模型是一种研究永远新奇的世界的方法。
控制和预测
通过推测和关联世界上显著、重复出现的特征之间的相似规律，我们可以将过去的观察结果纳入现在的实际情况，进而可以对未来发生的事情做出预测和控制。
大公司和政府机构的领导者现在可以利用模型来进行日常工作中的选择，如在线性趋势分析的基础上制作电子数据表。有些模型还不止于此，它们可以使用条件约束分析的方法，比如“如果／则”子句，从而设定选项的范围，就像飞行模拟器那样。利用这样的模型，那些管理者能够看到并控制机制和它们之间的相互作用，运用他们的直觉将模型转化为可行的管理方案。这种做法目前并不常见，但确实很重要。当这一切成为可能时，模型通常可以揭示出某些可能会带来损失的“悬崖”，这种危险会在假设的各种情况中反复出现。这时，模型起到了飞行模拟器的作用，让我们能够在进行那些很可能带来损失的真实行动前，就了解可能会发生的情况。在避免出现灾难或造成不可挽回局面的“悬崖”方面，使用一个定义较为完备的模型比不采用模型要好很多。模型可以反映出一些情况，而没有模型这样的辅助工具时，许多危险都很难被察觉到。盖尔曼在《夸克与美洲豹》一书中很好地表述了这一点：
对天然物质的多样性而不是综合性的策略研究，不但包括线性规划，而且包括演变、高度非线性模拟和偶然因素，这些都会对提高人类的综合预测能力有相当的帮助……对于所有的人，如果在漆黑的夜里，驾驶一辆车子飞快驶过一段自己从来没有走过的路，而这条路又布满了水沟，凸凹不平，而且不远处会有深坑，此时前面出现了一点光亮，即使它是微弱而闪烁不定的，也可能会帮助我们躲过悲惨的事故。
又比如汉斯·伯利纳在1978年指出，在游戏中，如果我们能够躲过至关重要的失误，就有机会去修正那些危险相对较小的情况。
创新和创造
我们在讨论安伯托·艾柯的《隐喻：巨大的全貌》（The Supreme Figure of all Metaphor）时，提到了涌现和创新的紧密关系。隐喻中的“源—目标”结构和科学中的“源—目标”的简化模式密切相关，它们都在重新审视世界的过程中起着关键性的作用。我们已经看到，无论是科学创造还是文学创作，都依赖于对技巧和围绕源和目标（模型或对象）的含义的敏感。说到底，重要的创新需要“很长的过程”，要具备一种能够超越对已知积木块拼凑组合的阶段，从而进行更长远的组合的能力。
在艺术和科学中，创新的方向都会受到若干约束条件和瓶颈状态制约。由于技术性困难（约束）带来的瓶颈，一些积木块的组合往往很难或不可能实现。在这种情况下，目标就是“翻越下一个山头”，而不是遥远的展望。创新和最优化之间的巨大差别就体现在这里。在复杂适应系统中，最优化状态几乎不可能达到，这一般来说没有什么实际意义。对于热带雨林中栖息的动物而言，什么才是最佳的组织呢？有价值的创新应该是一种权衡性的组合，往往介于明显拼凑的组合和不可能实现的最佳组合之间。学科间的比较、对相关学科的涉猎和对相关概念的敏感，这三者的结合在这个阶段最为重要。相反，“转动推理的曲柄”在这一阶段的科学工作中，如同它在艺术中一样，没有多大用处。
与艺术领域的常识不同，“产出总是大于投入”这种事情同科学的直觉是相悖的。然而，在具有涌现现象的系统中，这种情况却经常发生。从游戏到科学理论，我们已经看到过许多这样的系统，它们结构紧密、受规则制约，并有足够的内容可供长期研究。当然，一旦我们定义好了系统，系统潜在的可能性就已经被完全决定了。当系统中存在“如果／则”条件判断子句或其他非线性相互作用时，直接考察定义是无法看到所有这些可能性的。
在考察涌现的性质时，的确可以考虑运用成熟的还原论方法，“将系统分解为部分，当理解部分之后，也就理解了整个系统”。这虽然很简单，在科学研究中却常常能起实际作用，而且基于这样的作用，科学已经取得了很大的进展。但是，这种研究形式并不适用于研究具有涌现现象的系统。相应地，作为难度更大的还原形式，使用层次替代对于这类系统往往是适用的，想想前面的滑翔机的出现。这种难度更大的还原形式，也是诸多科学研究中的一种典型方法。化学规律事实上是受物理规律制约的，从这个意义上说，化学可以还原为物理。但是，化学具有它自身的“滑翔机”，即分子。制约分子间相互作用的宏观规律的形成和作用，同基本物理粒子的规律无关。化学家们偶尔也会用到深层次的知识，如放射效应，但这只是例外，而不是规则。
所以，涌现与宏观规律和重叠的受限生成过程密切相关。对单个蚂蚁所有能力的详细了解，并不能使我们了解整个蚁群显示出来的自适应性。对组成计算机程序的一小部分指令的详细分析，并不能揭示这个程序所具备的所有能力。我们很快就会知道人类DNA的全部基因或者至少是每种基因的片段的编码，但即便这样，我们也远远没有了解基因所控制的程序，这种程序让一个受精卵演变成由千亿细胞组成的成熟有机体。我们很难了解大量生态系统中的相互作用和涌现现象，以及生物学和病理学要素。难以了解的还有这上千亿细胞中那几百亿称为神经元的特殊细胞形成的网络。了解这些细胞的行为需要进行更多的心理学研究，而不是对独立的神经元属性进行研究。
事实上，对具有涌现现象的系统的研究，不能简单地还原为对系统各个独立组成部分的研究。但是，这并不意味着我们就不能了解这样的系统。尽管无法通过对物理规律的直接考察来了解化学，但毕竟化学已经成为非常完善的一门科学。这需要耐心。像国际象棋和国际跳棋这样的游戏，小孩子都可以很快掌握其简单定义的规则，但人类对它们的研究已经持续了几个世纪，而且还将继续下去。我们有什么理由期望，对于那些具有更复杂规则的复杂适应系统，以及其他具有涌现现象的系统的研究，会更加容易一些呢？
