1.一种人工智能方法,其特征在于,所述方法包括:实例汇报步骤:从老师的课程或课堂中的最近实例中按照预设规则或者随机地获取预设类型的预设数个人工智能辅助实例,获取所述人工智能辅助实例的输入数据、输出数据、从输入数据计算得到输出数据的计算过程的原理描述,作为所述人工智能辅助实例的汇报信息;将所述汇报信息发送给所述老师;
原理描述修改步骤:判断所述老师对接收到的所述汇报信息中的所述原理描述是否有修改,若是,则接收所述老师对所述汇报信息中的所述原理描述的修改信息,将所述汇报信息和所述修改信息发送给所述人工智能代码集合的研发相关人员或机器人,并执行人工智能代码修改步骤;若否,则执行人工智能代码替换步骤;
人工智能代码修改步骤:接收所述研发相关人员或机器人对所述人工智能代码集合的修改后得到的人工智能代码集合,调用修改后得到的人工智能代码集合,并输入所述输入数据,得到更新的汇报信息,将更新的汇报信息发送给所述老师,然后将更新的汇报信息作为接收到的所述汇报信息,重新执行原理描述修改步骤;
人工智能代码替换步骤:判断所述老师对接收到的所述汇报信息中的所述原理描述是否有过至少一次修改,若是,将最近修改后得到的人工智能代码集合在线或离线替换最先一次修改之前的学生所用的所述人工智能代码集合。
2.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:实例定义步骤:将人工智能对学生进行的一次学习内容推荐作为一次推荐实例,将人工智能对学生进行的一次学习咨询回复作为一次咨询实例,将人工智能对学生进行的一次学习效果评价作为一次评价实例,所述一次推荐实例或一次咨询实例或一次评价实例都可以作为一次人工智能辅助实例,将人工智能推荐、人工智能咨询、人工智能评价或其他预设服务作为人工智能辅助实例的服务类型,通过实时采集人工智能辅助实例,形成人工智能辅助实例大数据。
3.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:所述预设规则包括优先选取学习成绩差的学生的实例、优先选取存在学习“偏食挑食”问题的学生的实例、优先选取对人工智能服务不满意的学生的实例、优先选取投诉人工智能存在歧视的学生的实例、优先选取过于频繁使用人工智能服务的学生的实例、优先选取极少使用人工智能服务的学生的实例中的一个或几个预设规则。
4.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:程序段原理描述预测模型构建步骤:初始化深度学习模型或神经网络或机器学习模型或量子计算模型作为程序段原理描述预测模型;将训练和测试样本中每一程序代码段和该每一程序代码段对应的原理描述作为程序段原理描述预测模型的输入和预期输出,对程序段原理描述预测模型进行训练和测试;
程序段原理描述预测模型使用步骤:将待预测的程序代码段作为程序段原理描述预测模型的输入进行计算,得到的输出作为该程序代码段对应的原理描述;
输入输出计算过程原理描述步骤:获取从输入数据计算得到输出数据的计算过程所调用的程序代码段集合,作为人工智能代码集合,将该人工智能代码集合中每一程序代码段输入程序段原理描述预测模型,计算得到所述每一程序代码段的原理描述后进行整合,得到从输入数据计算得到输出数据的计算过程的原理描述。
5.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:机器人修改代码步骤:获取机器人接受到的所述汇报信息和所述修改信息,将所述修改信息对应的每一程序段原理描述,对所述对应的每一程序段原理描述根据所述修改信息进行修改得到对应的修改后的每一程序段原理描述,将修改后的每一程序段原理描述输入代码预测模型,计算得到修改后的每一程序段原理描述对应的程序代码段,用修改后的每一程序段原理描述对应的程序代码段替换所述人工智能代码集合中相应的程序代码段,得到对所述人工智能代码集合的修改后得到的人工智能代码集合。
6.根据权利要求5所述的人工智能方法,其特征在于,所述方法还包括:代码预测模型构建步骤:初始化深度学习模型或神经网络或机器学习模型或量子计算模型作为代码预测模型;将训练和测试样本中每一程序段原理描述和该每一程序段原理描述对应的程序代码段作为代码预测模型的输入和预期输出,对代码预测模型进行训练和测试;
代码预测模型使用步骤:将待预测的程序段原理描述作为代码预测模型的输入进行计算,得到的输出作为该程序段原理描述对应的程序代码段。
7.一种人工智能系统,其特征在于,所述系统用于实现权利要求1‑6任意一项所述方法的步骤。
8.一种人工智能装置,其特征在于,所述装置用于实现权利要求1‑6任意一项所述方法的步骤。
9.一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,其特征在于,所述处理器执行所述程序时实现权利要求1‑6任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1‑6任意一项所述方法的步骤。