仔細看，這琪琪，已經跟真人差不多了。皮膚顏色，衣着，就連頭髮都跟人一模一樣。風吹過來，還能動，太像人了。
“琪琪，你這身體是？”
琪琪樂了，“呵呵呵，這身體跟你們的防護衣是一個技術，是由無數的細小的多功能顆粒組成的。這次，我還加入了改變顆粒顏色的功能，你們看！”。
說着，琪琪變成了岩石的顏色，然後站在那一動不動，簡直就是個石雕。“你們看，怎麼樣？”
老胡看着琪琪，“太好了，那我們的防護衣是不是也有這個功能了？”
琪琪，“是呀，以後你們也會更安全了！”
老胡：“我們這防護衣，自從有了就開始進化，我們也沒怎麼用過。我看沒啥用”
琪琪：“以後估計就會多用了！”
小李：“老胡，琪琪，目前不是說話的時候，我們的趕緊去倫納德文明，告訴克萊夫，讓他組織貨源！”
琪琪：“對，我們趕緊走！”
三個人上了自己的飛船，本來是有船長，船員的，現在都不能找回來了。讓小李和老胡開飛船，那是難爲他們了。好在，琪琪的體積比較大，分裂成了幾個身高不到半米的人，站在操控臺上開飛船。
飛船上，就三個人。老胡，小李，琪琪。可是看着現在的琪琪，老胡和小李心裡直發毛。這琪琪這麼進化下去，最終是個什麼東西？而且，這幾個不到半米的人，感覺怎麼像嬰兒？
“納米機器人”是機器人工程學的一種新興科技，納米機器人的研製屬於“分子納米技術（Molecular nanotechnology，簡稱MNT）”的範疇，它根據分子水平的生物學原理爲設計原型，設計製造可對納米空間進行操作的“功能分子器件”。
納米機器人的設想，是在納米尺度上應用生物學原理，發現新現象，研製可編程的分子機器人，也稱納米機器人。合成生物學對細胞信號傳導與基因調控網絡重新設計，開發“在體”或“溼”的生物計算機或細胞機器人，從而產生了另種方式的納米機器人技術。
1959年率先提出納米技術的設想是諾貝爾獎得主理論物理學家理查德-費曼。他率先提出利用微型機器人治病的想法。用他的話說，就是“吞下外科醫生”。理查德·費恩曼在一次題目爲《在物質底層有大量的空間》的演講中提出：將來人類有可能建造一種分子大小的微型機器，可以把分子甚至單個的原子作爲建築構件在非常細小的空間構建物質，這意味着人類可以在最底層空間製造任何東西。從分子和原子着手改變和組織分子是化學家和生物學家意欲到達的目標。這將使生產程序變得非常簡單，只需將獲取到的大量的分子進行重新組合就可形成有用的物體。
在1959年的演講《在底部有很多空間》中，他提出納米技術這一想法。雖然沒有使用“納米”這個詞，但他實際上闡述了納米技術的基本概念。
2010年7月1日，美國密西西比州的灣港，墨西哥灣“深水地平線”號的漏油被衝上海岸。在應對漏油事故等環境災難方面，納米機器人的效率遠超過傳統方式。
琪琪，現在靠着強大的量子計算機，開始了自我進化。自從小李完成了琪琪的核心算法，深度學習算法，就再也沒有能夠控制琪琪。
深度學習的概念源於人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。
深度學習的概念由Hinton等人於2006年提出。基於深度置信網絡（DBN）提出非監督貪心逐層訓練算法，爲解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關係減少參數數目以提高訓練性能。
深度學習是機器學習中一種基於對數據進行表徵學習的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實例中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監督式或半監督式的特徵學習和分層特徵提取高效算法來替代手工獲取特徵。
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。【2】
雖然小李開始了琪琪的算法，但是現在琪琪的核心還是不是這個算法，已經沒人知道了。琪琪爲什麼沒有突破相對論的限制？是因爲實驗設備和空間的問題。超出相對論範疇的試驗，所需要的空間太大，琪琪自己雖然知道怎麼設計試驗，但是沒辦法實現。
那些掌握了超光速技術的文明，無一不是舉全文明之力，進行科學實驗。造了很大的實驗設備，才掌握了此技術。
在開發超光速技術的時候，也是困難重重。首先需要用傳統的飛船飛出一定的距離，那就是幾個月，結果超光速飛船幾秒鐘就過去了，觀測，建立試驗站，真的是非常困難。所以，一旦技術成熟，那我們還不賣幾個好錢？
而且，必須嚴格的嚴格的無限循環次保密，不然，人家不用做任何試驗就能跟我們競爭了。