傳統的人工智能制造（大數據、機器學習）的核心是對歷史數據歸納提取規(guī)則，從而對未來預測。其理論基礎是：運行數據包含了系統的所有重要隱藏信息，無須研究問題機理，可以直接從數據挖掘出系統的規(guī)律和知識。

這種人工智能制造不適合化學工業(yè)，并且對化學工業(yè)的智能化生產生產作用極其有限?；谌c理由：

1.化工裝置的運行機理和數學模型相對完整。化學工程作為一門發(fā)展超過100年的工程學科，知識體系相對完整?；ぱb置作為人工設計系統，設計之時設計者已經清楚裝置的內在特性和機理，已經知道裝置的數學模型。所以無需再使用人工智能去挖掘、發(fā)現知識。即使在機理不清或邊界不定時，一些常規(guī)的、傳統的數據分析方法已經足以應對化工中的問題。

2.化工裝置作為嚴格受控系統，數據雖多但是單調，信息量太低以致無法挖掘知識。由于化工過程被各種控制系統嚴格控制，生產平穩(wěn)，所以產生的數據雖多但分布窄，無法采用人工智能從這種信息量少的大數據中提取出規(guī)律或知識。100個、10000個相同數據所含的信息量和1個數據一樣。

3.化工裝置對系統的可靠性、安全性要求不接受人工智能系統產生的黑箱知識。化工生產對安全性和可靠性的要求極其嚴格，萬一發(fā)生事故都是災難性，對環(huán)境和員工生命帶來的損失是不可挽回的。人工智能完全依靠系統的輸入輸出數據產生一個黑箱模型。這種黑箱模型應用時，一是無法根據模型找到故障或者問題的原因，二是難以對模型的可靠性作評估。

傳統人工智能制造比較適合系統極其復雜（以致難以研究機理）、對系統因果性和可靠性沒有嚴格要求的人類智力活動，例如金融、商業(yè)、醫(yī)學，人工智能對這些領域將產生革命性變革，這些變革真在我們身邊發(fā)生。而科學技術領域本質上就是對因果性和可靠性的追求，科學家和工程師長期對數據的重視和應用，人工智能對科學技術的變革程度，從知識發(fā)現和提取的角度將是有限的。