这种人工智能不适合化学工业，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。
知识自动化才是主方向
化学工程作为一种典型的工程学科，其特点是半理论半实验。由于一些现象过于复杂，涉及机械、材料、物理、化学、热力学、动力学和传递，多种因素关联偶合在一起，无法通过纯理论逻辑推导得到某些现象的原因或结论，需要在实验室环境下将各种因素分离独立研究（彻底的研究方法），或者综合在一起、只研究主要因素对结果的影响。也就是说，化学工程的大部分理论知识来自于实验室研究。
举一个简单例子，例如一组新的二元体系，在没有汽液平衡实验数据的前提下，有哪种模型敢说它的预测精度在5%内？虽然化工文献和数据库中已经有了上百万组的二元汽液平衡实验数据，化工热力学家研究了近50年的汽液平衡预测模型，但一旦遇到关键应用，还是得去实验室做实验得到实验数据。
由于化工现象的复杂性，有些现象在工业装置上表现出与实验室实验装置上不同的特性甚至在实验室无法观察到的现象，即所谓的“放大效应”，其本质还是对某些因素考察不清导致没有正确预测。此时，我们可以从工业装置得到反馈从而扩展化学工程的知识。另外，从工业装置运行中，还可以得到大量的操作、维护、安全方面的、超出实验室研究范围的经验性知识。
