傳統的人工智能制造（大數據、機器學(xué)習）的核心是對歷史數據歸納提取規則，從而對未來(lái)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(wú)須研究問(wèn)題機理，可以直接從數據挖掘出系統的規律和知識。

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

1.化工裝置的運行機理和數學(xué)模型相對完整。化學(xué)工程作為一門(mén)發(fā)展超過(guò)100年的工程學(xué)科，知識體系相對完整?；ぱb置作為人工設計系統，設計之時(shí)設計者已經(jīng)清楚裝置的內在特性和機理，已經(jīng)知道裝置的數學(xué)模型。所以無(wú)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(shí)，一些常規的、傳統的數據分析方法已經(jīng)足以應對化工中的問(wèn)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(wú)法挖掘知識。由于化工過(guò)程被各種控制系統嚴格控制，生產(chǎn)平穩，所以產(chǎn)生的數據雖多但分布窄，無(wú)法采用人工智能從這種信息量少的大數據中提取出規律或知識。100個(gè)、10000個(gè)相同數據所含的信息量和1個(gè)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(chǎn)生的黑箱知識。化工生產(chǎn)對安全性和可靠性的要求極其嚴格，萬(wàn)一發(fā)生事故都是災難性，對環(huán)境和員工生命帶來(lái)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(chǎn)生一個(gè)黑箱模型。這種黑箱模型應用時(shí)，一是無(wú)法根據模型找到故障或者問(wèn)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(méi)有嚴格要求的人類(lèi)智力活動(dòng)，例如金融、商業(yè)、醫學(xué)，人工智能對這些領(lǐng)域將產(chǎn)生革命性變革，這些變革真在我們身邊發(fā)生。而科學(xué)技術(shù)領(lǐng)域本質(zhì)上就是對因果性和可靠性的追求，科學(xué)家和工程師長(cháng)期對數據的重視和應用，人工智能對科學(xué)技術(shù)的變革程度，從知識發(fā)現和提取的角度將是有限的。