如果模型的组成元素数量庞大而且易于变动，那么使用纸笔研究的局限性会变得很明显。以市场举例。决定市场状态的贸易谈判依赖于各个主体，即买卖双方进入和离开市场时的目标和策略。像股票和商品这样的大规模市场，因其复杂性和不可预测性而著称。甚至是十分简单的市场模型，由于受到买卖双方行为的严格限制，也会显示出非常复杂的动态性（Arthur, et al., 1997）。偶然出现的市场崩溃和泡沫经济，会导致市场活动和价格水平产生突然变动。市场模型可能会稳定地运行成千个模拟工作日，只带有一些小波动，然后突然进入一种全新的状态，这与真实市场非常类似。不管这些研究结果是通过计算还是数学分析得到的，它们都是使用纸笔的研究工作远无法得到的。
我们这个世界的状态，可以很自然地由其中具有决策能力的个体间的相互作用来描述，这一点和游戏很类似。当我们给这样的系统建模时，这些个体就被称为主体，这个模型就被称为基于主体的模型。在各种社会机构中，如在政府部门、商业机构中，制定计划的主体是人。有时，我们不考虑小的细节，只考虑一个部门甚至整个政府在处理国际关系时的计划，这时，部门或政府就是主体。在每个层次上，我们都能设计出基于主体的有趣模型。这一规则也适用于生态系统，我们可以挑选一些相互关联的物种作为主体。或者在免疫系统中，我们可以将各种抗体作为主体。当把染色体中相互作用的基因或是细胞中的细胞器当作主体时，我们也可以由此获得一些新的理解和认识。当然，所有这些系统都展现出涌现现象。
基于主体的模型所涉及的范围之广，以及它与涌现研究之间的明显联系，都提醒我们在为涌现研究提出一个普适框架时，如果我们能够处理这种复杂性，就应当认真考虑基于主体的模型。第5章开始时对蚁群的讨论正说明了这一点。描述蚂蚁个体行为的指令系统，其规则可能很少，群体的复杂性来自大量的蚂蚁个体、不同蚂蚁个体之间、蚂蚁和环境之间的相互作用和相互影响。在这一点上，蚁群和神经网络类似，即整个系统的灵活行为依赖于由相对较少规则控制的大量主体的行为，在神经网络中，主体是神经元。在许多基于主体的模型中，大部分复杂性都源于其涉及的主体数量巨大。
当一个系统所包含的主体数量很大时，无论简单与否，它的“遍历树”，即相互作用的可能性范围，都将大大超出国际象棋或国际跳棋庞大的遍历树。因为主体个体的行为受当时环境中其他主体和对象的影响，所以我们不太容易从一个“一般”的个体行为中预测出所有主体的行为。特别是如果主体个体会不断学习、适应环境，那么这个难度就更大了。正如在国际象棋和神经网络的例子中，主体的策略不仅会受目前状态的影响，而且随着时间的流逝，它的策略规则也会变化。随着这些困难的增加，涌现行为也逐渐产生了。
人们虽然早就意识到研究基于主体的模型是非常必要的，但是仅仅通过纸和笔来研究如此复杂的模型几乎是不可能的。计算机的出现改变了这一切。现在，我们已经可以使用计算机来深入细致地研究基于主体的模型。
