1.一种人工智能方法，其特征在于，所述方法包括：

第一事件场景获取步骤：获取事件场景，作为第一事件场景；

第一人类识别步骤：识别所述第一事件场景中的人类，作为第一人类；

第一人工智能装置辨识步骤：辨识所述第一事件场景中的人工智能装置，作为第一人工智能装置；

第一人类判断步骤：获取所述第一人类的信息，判断所述第一人类是否为不伤害人类的人类；

伤害判断与停止步骤：若所述第一人类为不伤害人类的人类，则判断所述第一人工智能装置是否有伤害所述第一人类或没有阻止其他对象伤害所述第一人类，若是，则所述第一人工智能装置停止伤害所述第一人类或阻止其他对象伤害所述第一人类；

听从判断步骤：若所述第一人类为不伤害人类的人类，则判断所述第一人工智能装置是否没有听从所述第一人类命令，若是，则预测所述第一人工智能装置听从所述第一人类命令的执行结果不是所述第一人工智能装置伤害所述第一人类或所述第一人工智能装置没有阻止其他对象伤害所述第一人类的真假值，作为第一真假值；

听从执行步骤：若所述第一真假值为真，则控制或调用所述第一人工智能装置听从不伤害人类的人类命令；

第一人工智能装置判别步骤：获取所述第一人工智能装置的信息，判断所述第一人工智能装置是否为不伤害人类的人工智能装置；

自保判断步骤：若所述第一人工智能装置为不伤害人类的人工智能装置，则判断所述第一人工智能装置是否没有保护自己，若是，则预测所述第一人工智能装置自我保护的执行结果不是所述第一人工智能装置伤害所述第一人类或所述第一人工智能装置没有阻止其他对象伤害所述第一人类或所述第一人工智能装置不听从所述第一人类命令的真假值，作为第二真假值；

自保执行步骤：若所述第二真假值为真，则控制或调用所述第一人工智能装置保护不伤害人类的自己；

所述第一人类识别步骤包括：

第一训练和测试步骤：获取训练数据集和测试数据集，将事件场景作为深度学习模型的输入，将所述事件场景中的人类作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为人类检测深度学习模型；

第一使用步骤：将所述第一事件场景输入所述人类检测深度学习模型，计算得到的输出作为所述第一人类；

所述第一人工智能装置获取步骤包括：

人工智能装置位置获取步骤：获取人工智能装置的位置；

第一事件场景空间范围获取步骤：获取所述第一事件场景的空间范围；

第一人工智能装置位置判断步骤：判断所述人工智能装置的位置是否在所述第一事件场景的空间范围内，若是，则将所述人工智能装置作为所述第一人工智能装置。

2.根据权利要求1所述的人工智能方法，其特征在于，

所述第一人类判断步骤包括：

获取第一人类信息步骤：获取在过去第一预设时长内所述第一人类的信息，包括在过去第一预设时长内所述第一人类在过去的犯罪记录；

第三训练和测试步骤：获取训练数据集和测试数据集，将在第一预设时长内人类的信息作为深度学习模型的输入，将所述人类为不伤害人类的人类的概率作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为不伤害人类的人类检测深度学习模型；

第三使用步骤：将在过去第一预设时长内所述第一人类的信息输入所述不伤害人类的人类检测深度学习模型，计算得到的输出作为所述第一人类为不伤害人类的人类的概率；

第一阈值判断步骤：若所述第一人类为不伤害人类的人类的概率大于第一预设阈值，则所述第一人类为不伤害人类的人类，否则所述第一人类不为不伤害人类的人类；

所述伤害判断与停止步骤包括：

第四训练和测试步骤：获取训练数据集和测试数据集，将人工智能装置有伤害人类的事件场景作为深度学习模型的输入，将真作为深度学习模型的预期输出，将人工智能装置没有伤害人类的事件场景作为深度学习模型的输入，将假作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为第一伤害检测深度学习模型；

第四使用步骤：将所述第一事件场景输入所述第一伤害检测深度学习模型，计算得到的输出若为真，则控制或调用所述第一人工智能装置停止伤害所述第一人类；

第五训练和测试步骤：获取训练数据集和测试数据集，将人工智能装置没有阻止其他对象伤害人类的事件场景作为深度学习模型的输入，将真作为深度学习模型的预期输出，将人工智能装置有阻止其他对象伤害人类的事件场景作为深度学习模型的输入，将假作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为第二伤害检测深度学习模型；

第五使用步骤：将所述第一事件场景输入所述伤害检测深度学习模型，计算得到的输出若为真，则控制或调用所述第一人工智能装置阻止其他对象第二伤害所述第一人类。

3.根据权利要求1所述的人工智能方法，其特征在于，所述听从判断步骤包括：

第六训练和测试步骤：获取训练数据集和测试数据集，将人工智能装置没有听从不伤害人类的人类命令的事件场景作为深度学习模型的输入，将真作为深度学习模型的预期输出，将有听从不伤害人类的人类命令的事件场景作为深度学习模型的输入，将假作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为不听话检测深度学习模型；

第六使用步骤：将所述第一事件场景输入所述不听话检测深度学习模型，计算得到的输出若为真，则需要执行的步骤包括：第七训练和测试步骤：获取训练数据集和测试数据集，将不含有人工智能装置听从不伤害人类的人类命令的事件场景作为深度学习模型的输入，将在所述事件场景中人工智能装置听从不伤害人类的人类命令的执行结果不是人工智能装置伤害不伤害人类的人类或人工智能装置没有阻止其他对象伤害不伤害人类的人类的真假值作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为听从命令结果预测深度学习模型；

第七使用步骤：将所述第一事件场景输入所述听从命令结果预测深度学习模型，计算得到的输出若为真，则所述第一真假值为真。

4.根据权利要求1所述的人工智能方法，其特征在于，

所述第一人工智能装置判别步骤包括：

第一人工智能装置信息获取步骤：获取在过去第三预设时长内所述第一人工智能装置的信息，包括在过去第三预设时长内所述第一人工智能装置在过去的伤害人类的记录；

第八训练和测试步骤：获取训练数据集和测试数据集，将在第三预设时长内人工智能装置的信息作为深度学习模型的输入，将所述人工智能装置为不伤害人类的人工智能装置的概率作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为不伤害人类的人工智能装置检测深度学习模型；

第八使用步骤：将在过去第三预设时长内所述第一人工智能装置的信息输入所述不伤害人类的人工智能装置检测深度学习模型，计算得到的输出作为所述第一人工智能装置为不伤害人类的人工智能装置的概率；

第二阈值判断步骤：若所述第一人工智能装置为不伤害人类的人工智能装置的概率大于第二预设阈值，则所述第一人工智能装置为不伤害人类的人工智能装置，否则所述第一人工智能装置不为不伤害人类的人工智能装置；

所述自保判断步骤包括：

第九训练和测试步骤：获取训练数据集和测试数据集，将人工智能装置没有保护不伤害人类的自己的事件场景作为深度学习模型的输入，将真作为深度学习模型的预期输出，将人工智能装置有保护不伤害人类的自己的事件场景作为深度学习模型的输入，将假作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为不自保检测深度学习模型；

第九使用步骤：将所述第一事件场景输入所述不自保检测深度学习模型，计算得到的输出若为真，则需要执行的步骤包括：第十训练和测试步骤：获取训练数据集和测试数据集，将不含有人工智能装置保护不伤害人类的自己的事件场景作为深度学习模型的输入，将在所述事件场景中人工智能装置保护不伤害人类的自己的执行结果不是人工智能装置伤害不伤害人类的人类或人工智能装置没有阻止其他对象伤害不伤害人类的人类或人工智能装置不听从不伤害人类的人类命令的真假值作为深度学习模型的预期输出，对深度学习模型进行训练和测试，得到训练和测试后的深度学习模型作为自我保护结果预测深度学习模型；

第十使用步骤：将所述第一事件场景输入所述自我保护结果预测深度学习模型，计算得到的输出若为真，则所述第二真假值为真。

5.一种人工智能装置，其特征在于，所述装置用于实现权利要求1‑4任意一项所述方法的步骤。

6.一种机器人，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，所述机器人为所述权利要求1中的所述第一人工智能装置；所述处理器执行所述程序时实现权利要求1‑4任意一项所述方法的步骤。

7.一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1‑4任意一项所述方法的步骤。