傳統(tǒng)的人工智能制造（大數(shù)據(jù)、機器學習）的核心是對歷史數(shù)據(jù)歸納提取規(guī)則，從而對未來預測。其理論基礎是：運行數(shù)據(jù)包含了系統(tǒng)的所有重要隱藏信息，無須研究問題機理，可以直接從數(shù)據(jù)挖掘出系統(tǒng)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(chǎn)生產(chǎn)作用極其有限。基于三點理由：

1.化工裝置的運行機理和數(shù)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。化工裝置作為人工設計系統(tǒng)，設計之時設計者已經(jīng)清楚裝置的內(nèi)在特性和機理，已經(jīng)知道裝置的數(shù)學模型。所以無需再使用人工智能去挖掘、發(fā)現(xiàn)知識。即使在機理不清或邊界不定時，一些常規(guī)的、傳統(tǒng)的數(shù)據(jù)分析方法已經(jīng)足以應對化工中的問題。

2.化工裝置作為嚴格受控系統(tǒng)，數(shù)據(jù)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(tǒng)嚴格控制，生產(chǎn)平穩(wěn)，所以產(chǎn)生的數(shù)據(jù)雖多但分布窄，無法采用人工智能從這種信息量少的大數(shù)據(jù)中提取出規(guī)律或知識。100個、10000個相同數(shù)據(jù)所含的信息量和1個數(shù)據(jù)一樣。

3.化工裝置對系統(tǒng)的可靠性、安全性要求不接受人工智能系統(tǒng)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(tǒng)的輸入輸出數(shù)據(jù)產(chǎn)生一個黑箱模型。這種黑箱模型應用時，一是無法根據(jù)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(tǒng)人工智能制造比較適合系統(tǒng)極其復雜（以致難以研究機理）、對系統(tǒng)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(chǎn)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(shù)據(jù)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(xiàn)和提取的角度將是有限的。