化工智能制造的方向二

传统的人工智能制造（大数据、机器学习）的核心是对历史数据归纳提取规则，从而对未来预测。其理论基础是：运行数据包含了系统的所有重要隐藏信息，无须研究问题机理，可以直接从数据挖掘出系统的规律和知识。

这种人工智能制造不适合化学工业，并且对化学工业的智能化生产生产作用极其有限。基于三点理由：

1.化工装置的运行机理和数学模型相对完整。化学工程作为一门发展超过100年的工程学科，知识体系相对完整。化工装置作为人工设计系统，设计之时设计者已经清楚装置的内在特性和机理，已经知道装置的数学模型。所以无需再使用人工智能去挖掘、发现知识。即使在机理不清或边界不定时，一些常规的、传统的数据分析方法已经足以应对化工中的问题。

2.化工装置作为严格受控系统，数据虽多但是单调，信息量太低以致无法挖掘知识。由于化工过程被各种控制系统严格控制，生产平稳，所以产生的数据虽多但分布窄，无法采用人工智能从这种信息量少的大数据中提取出规律或知识。100个、10000个相同数据所含的信息量和1个数据一样。

3.化工装置对系统的可靠性、安全性要求不接受人工智能系统产生的黑箱知识。化工生产对安全性和可靠性的要求极其严格，万一发生事故都是灾难性，对环境和员工生命带来的损失是不可挽回的。人工智能完全依靠系统的输入输出数据产生一个黑箱模型。这种黑箱模型应用时，一是无法根据模型找到故障或者问题的原因，二是难以对模型的可靠性作评估。

传统人工智能制造比较适合系统极其复杂（以致难以研究机理）、对系统因果性和可靠性没有严格要求的人类智力活动，例如金融、商业、医学，人工智能对这些领域将产生革命性变革，这些变革真在我们身边发生。而科学技术领域本质上就是对因果性和可靠性的追求，科学家和工程师长期对数据的重视和应用，人工智能对科学技术的变革程度，从知识发现和提取的角度将是有限的。