为了映射现实，Illington大学的计算机建模学者Pilgrim博士说明了首先必须做好的是确定需要表现的物理现象的关键参数，他特别强调易于识别的计算机模型和图像创造：“就像一个工程图通常会从不同角度对物体进行呈现——一个从上面，一个从前面，一个从侧面——我们（人工智能）考虑的是将这些已经被看到和能够被识别的东西集合到一起，做成一个可以存储在模型中的三维展示。”自然地理学的博士研究生Aaron Boatman，是Hernchester大学某计算机模拟技术研究团队的成员，他解释了自己所做的事情：“在计算机模拟中测试物理定律，尝试提出对一个领域的概念性理解，并使这一概念实现可实际计算。”

Aaron的指导教师Barsington教授是Hernchester大学两个自然地理学研究团队的负责人，研究团队包括6名研究生和1名研究助理，主要研究的两个领域和项目是滑坡预测和洪水预报。研究团队的组织性很强，在任何时候每个项目中都有至少3个人在工作。因此，需要维持一个“临界规模”，以确保团队成员之间的工作分工，同时确保研究问题和解决方案在研究人员中的代际延续。研究成本和资金限制都要求在两个不同的研究团队间和在时间安排上保持连续性。两个团队并不是在有限的时间框架内存在的独立实体；随着时间的推移，团队会随着老成员的离开和新成员的加入而发展和改变。团队成员间也有交叉，新成员会有6～9个月的时间熟悉环境和工作。团队的连续性使得研究思路和兴趣得以发展和持续。对于这个团队来说，连续性的核心是仿真模型，Barsington教授生动地描述了这个模型，认为模型就像：“接力赛跑中的接力棒，从一个人传递到下一个人，知识已经被编码到计算机代码中。这就是为什么交叉的部分是如此重要。如果没有交叉，那这些就仅仅是代码，它们能表明什么呢？要保持知识的传承，就必须有交叉，交叉的内容是非常重要的。”因此，他强调了教育连续性的重要性就在于能够紧密地将研究生个人的研究项目与整个团队的研究工作联系在一起。这反映了一种强烈的知识生产的团队倾向，知识生产的责任既是集体的，也是个人的，集体的投入与个人的投入同样重要。

Barsington教授的研究生们对于此种研究工作方式都深有体会。例如，Peg Conroy既不希望也不愿意建构或开发她自己的独立的研究项目，而是希望继续发展团队的既有模型，所有团队成员都十分熟悉该模型了：“在这里，模型是在团队中传递的。我们中的两三个人都很喜欢这样做，因为这个模型已经经过几个人的手了。”

然而，正是由于模型是由别人开发的，所以就意味着并不那么容易上手使用。博士研究生们首先必须自己去熟悉这个模型，正如Peg解释的那样，尽管系里的其他人也都知道这个模型，但是她所使用的模型“从未被详细地记录过，因此熟悉模型的过程有点像噩梦”。之后，研究生们还必须成功地完成社会化的部分任务——在研究团队中有一些被视为理所当然的知识和假设，研究生们就是要去了解研究团队的这些“内部”观点。这是因为，虽然模型依赖于对现象的精准描述，并在一定程度上依赖于对现象的解释，但这并不意味着要对模型及其应用程序背后的假设做完整说明。因此，研究生在为集体研究做贡献的过程中，也会获得研究团队成员间普遍拥有的默会知识。与显性知识一样，默会知识也会进行代际的传递，这是集体研究型组织的重要特点。

计算机建模是问题导向的，旨在满足特定的需求。用Barsington教授的话来说：“建构模型就是为了产出可见的和明确的应用。这是由问题驱动的科学研究，所以要解决的问题是整个研究过程的关键所在。需要思考的是：要解决的实际问题是什么？科学的研究问题是什么？知识库要如何扩展？”Hernchester大学的Avril向我们说明了现实中的实际问题是如何转化成为科学的研究问题的。他用举例来解释，例如某第三世界国家政府“要修筑公路，却不知道如何更好地进行公路设计，这就需要研究团队和应用衍生公司开展一个研究项目”。这种研究工作通常是受政府机构和其他非学术组织委托开展的，大学的院系和某些专门的研究机构要参与直接竞争，争取获得委托。专门的研究机构与大学中的研究团队有两方面的不同：首先，专门的研究机构都是正式建立的并且配备精良；其次，它们会为不同的研究项目配备固定的工作人员。

研究生们对于开发模型并进行相关研究负有主要责任。Hernchester大学的Avril教授清楚地知道，由于他的建模研究主要依靠自己的研究生们，因此在人员结构和研究资金方面都存在问题：“要同时维持多个研究项目是很困难的。重要的是，与项目研究相关的一切都必须是参数化的，包括基金、研究团队、时间等。对院系而言，研究生是重要的。（然而）如果研究生数量太少，就会在技术支持、指导和资金方面存在严重的问题……而且研究生的津贴来源于获批的项目和资助。这不是可选项，是必选项。比如自然环境研究委员会提供的研究生津贴，要由指导教师向该委员会申请研究项目，能否申请到项目和资金取决于指导教师的水平。”学术组织的内部约束反过来也会影响团队成员的互动方式，从而影响研究工作的开展方式。Avril教授如此描述学术组织内的典型安排：“对研究助理和博士研究生来说，有各种不同层次的互动。同级的人在同一个项目或同一个领域工作……二、三年级的博士研究生从事其他项目并提供技术支持。”指导教师与博士研究生们的关系与我们在生物化学实验室中看到的十分相似。Avril教授给他的研究生们的建议是：“‘你想来的时候就来找我吧’——他们直接敲门就可以，对于需要指导的学生，我的门随时是开放的。但是‘不要为日常的指导或是计算机的技术问题来找我’，对于这样的问题，他们可以互相交流，或者与工作人员和技术人员交流。”(www.daowen.com)

显然，为了模拟现实，数据是必要的。在自然地理学等学科中，研究团队的人员结构和持续时间意味着团队成员与原始的物理现象间有着不同程度的互动。例如，在Avril的研究团队中，大多数人都只有有限的收集数据的经验，而其他人则根本没有。那些参与了项目初始阶段的团队成员，在数据收集方面的经验是最为丰富的，而那些后来才加入的成员，这方面的经验就非常少。Hernchester大学的Peg Conroy也在研究过程中收集过一些数据，但她解释说：“大量的数据收集工作已经完成了——例如流域的降水量和排水量——所以我只是到那里去做取样。在前三个月里，我基本上是努力了解这些模型，从中弄明白如何进行田野研究。”其他人则有不同的经历，比如来自同一院系的Aaron Boatman。Aaron介绍自己博士学位论文的研究工作时说它是“一项在很大程度上基于计算机的研究。我的意思是，虽然也做了很多田野研究工作，但我认为重点还是建构模型”。Aaron的研究工作主要是改善模型以更好地表达物理现象，具体而言：“将已有的两个模型结合起来，并开发出另一个新模型……这基本上是一个如何运算的问题，我会坐上一整天来解决这个问题，主要是在计算机上工作和运行各种程序，还要花一些时间进行思考。”换句话说，尽管研究项目最终是以数据为基础的，但对于许多团队成员来说——包括研究生——他们的计算模型和数据模拟基本上都是自我指涉的。他们围绕建模所进行的研究工作，是要放在团队发展模型的过程中去检验的，而不是直接与数据收集或数据生产捆绑在一起，就好像田野中收集到的数据之于人类学者，或者实验室数据之于生物化学学者一样。

虽然研究生们会从研究团队的其他成员那里获得支持，成员们要么开发自己的模型，要么模拟同一个研究问题的另外一个方面，但是他们在进行日复一日的编程工作时可能是非常孤独的。Illington大学的博士研究生Wilma Ross告诉我们，她的办公房间有一种“可怕的氛围。我的意思是，因为人们都在里面工作，如果你开始说话，或者只是说声‘你好’，大家就会盯着你看。计算机里运行着各种各样的数据，如果人们要说话，就要说得很大声。很多人来到这个房间就是为了使用机器，除非他们有可以讨论和说话的房间，否则是不会说话的。但是我们就在那里工作和运行机器，这是我们唯一可以去的地方，所以感到很孤独”。

在机器人科学的研究中，建模的数据来源还包括对行为的观察。Illington大学的Waite博士所做的是一项基于动物行为的研究。他描述了如何从观察中得到测量方法的过程：“我是从研究生物学和研究小动物的实际情况开始的。小动物们能做的事情有限，它们会在地板上跑，但它们基本不会爬树或挖洞，它们只是在地板上跑。这与我们的机器人所能做的事情很相似。”然而，Waite博士的研究并不是基于他自己对动物行为的观察，而是来源于二手资料：“我并没有真的研究过这些动物，我只是读了关于动物日常行为、能力和神经元如何工作的介绍性书籍。大多数模型是针对特定物种而开发的，但是我希望做的是比这更为普遍的东西，因为我的机器人并不会像我能想到的任何一个特定物种。我已经找到一个关于一般脊椎动物的模型了，这个模型是由一位民族志学者开发的，她的大部分工作都是针对鱼进行的，这个模型本应该更具有普遍性，所以我做了一个程序来激活它。”

针对现实世界的某些方面进行建模，经常会遇到一些问题。对于研究机器人科学的研究生来说，这些问题包括用计算机的方式来表现现实世界中的现象。反过来，这些问题也会对通过机器来控制物理环境产生实际的影响。在机器人科学中，与“纯粹的”建模不同，研究生的表达与真实世界的关系更加直接。最终实现的机器人与环境的交互能力，是对研究生模拟现实能力的最直接的检验。就此，Illington大学的Pilgrim博士说道：“在研究机器人的过程中，面临种种困难，包括不断应对不确定性，将传感器装入机器人的结构中，将某个具体的机器人与理想的、抽象的计划系统联系起来。”机器人所实现的功能，可以直接用来检验研究人员在模拟现实方面是否获得了成功。

当环境无法被完全控制时，问题的难度就会加大。例如，Illington大学的研究生Celeste Mallory解释说：“当你有一个工厂机器人时，你可能会觉得告诉它要做什么事情是非常简单的……但是你一旦有一个移动机器人，或者是你在一个真实的工厂里得到一个真正的机器人，而且那里不具备理想的运行条件，你就会发现机器人的某个部分与这个环境并不匹配……遇到这种情况，你会怎么做呢？你可以尝试增加传感器，这样机器人就能够看到周围的环境了，但是如果不好用，又怎么办呢？……机器人的编程是非常复杂的，因为你必须预见一切。如果清洁工过来碰到了电线，又该怎么办？”