他引用达尔文的话解释，能够生存的不是最强的物种，也不是最聪明的物种，而是最能适应改变的物种。因此，在机器人设计当中，他们改变了设计思路，不搞固定的模拟工程式、而是根据不同的数据进行不同的改进、调整，采用这样的原则逐渐演变，使得机器人根据这种演变调整才能产生自我意识，根据所意识到周围的环境进行调整。
他举了两个例子。
一个是培养一个四条腿的机器人学走路，最初设计一个模型，然后通过做实验逐渐调整，使得机器人能够用四条腿走路之后，在被去掉一条腿之后，依然能够根据环境调整自己的行动、完成走路的动作。他展示了实验完成的模拟动画和实际录像。
另一个是训练一个机器人认识猫和狗的图片的过程中，突然发现其中一个开始追踪人的面部。慢慢那就学会了跟踪人脸，他自己突然就决定跟踪人脸了。他说：“这个网络不是被培训进行面部跟踪的，只是让他区分狗和猫的，可是她一下学会了识别人脸。它自己突然决定跟踪人脸，这是一个让人惊喜的技术。我们把一些定律内嵌到机器人里面，其实很幼稚，不太现实，他们自己会学习。”
“人工智能是瓶颈”
免费大型公开在线课程项目Coursera的首席业务官Lila Ibrahim介绍了项目的最新进展。Coursera目前已有学生超过10万人，但是却面临技术怎么能扩大教育范围的问题。她举例说，比如改作文不可能用机器，以往采用的方法是教授写一般性的指导方针，让学生互相改，可是这样会面临评价质量的问题。如果人工智能、计算机算法能够有突破，评价质量就能有所提升。她透露：“我们和普林斯顿做了合作项目，评分的质量有待提升。”
美国奇点大学生物技术和信息学项目负责人Raymond McCauley(雷蒙德?麦考利)介绍，现在摩尔定律已经和生命技术联系在一起了。现在DNA测序的价格下降迅速，2001年，一个DNA测序的价格是30亿美金，今年在美国已经比在医院做个普通胸透的价格还便宜。他预测，2020年，DNA测序的价格比“冲厕所”还便宜。他说，基因工程越来越像软件开发，能够读取基因并且重写。
未来，随着基因测序价格越来越低，越来越多的基因数据将积累起来。随后发言的斯坦福大学独立访问学者Walter Greenleaf(沃尔特?格林利夫)指出，所有基因意义对健康的影响，现在已经变成了计算机计算能力问题。
麻省理工学院人力动力学实验室主任Alex Pentland(亚历克斯?彭特兰)则着重讲了几个目前已经在大数据分析方面取得突破的例子：
第一个：通过人的行为分析预测金融风险。麻省理工大学的一位教授发现，人的大脑两部分，一部分负责习惯性行为，另外一部分负责探索性行为，这两部分要比较平衡人才健康。这个结论可以用来分析人们使用信用卡的行为，研究发现，一个人如果比较穷，探索性行为会比较少。一个人如果比较富，更会出于好奇去探索。这不同于一般银行根据人的年龄、工作年限对还款风险进行预测，如果再加上对习惯性行为与探索性行为的分析，其预测准确性会增加一倍，在借款人遇到困难之前就可以根据行为习惯发现问题、加以防范。用这个结论可以预测社区的贫困程度，只要分析一个社区人们这两种行为的比例就可以。他透露：“今年我们和联合国研究，未来15年联合国目标的实现，如果使用这种技术，可以在未来监测每个政府做的怎样。”
第二个，人怎么变得更加聪明、有智慧?研究发现，在一个群体中，如果只有一小部分人贡献，大部分人随大流，效率就会比较低。如果大部分人贡献，这个群体的能力就能增加一倍。目前的研究发现，一个城市面对面互动模式，与一个城市GDP的多少是呈正相关的。城市面对面互动模式，则取决于取决于两个因素：人口密集度和道路状况。他进一步指出，交通拥堵会影响GDP增长。
第三个：怎样做出好的判断?比如，在某个具体的情境下怎样赚钱?研究发现，这取决于两点：看其他人怎么赚钱，看其他人在这种情况下是不是总是赚钱。他举例说，在美国，eToro这个公司，是个社会网络，也是交易平台。很有意思，在这个平台上可以看别人怎么交易，研究发现社交范围广泛与否与赚钱多少呈正相关。但是，如果认识人虽多，但是都互相模仿，反而效果不好。社交要多元化才可以。