人工智能跟合成就是有机合成或者药物合成结合这一块的话，相比较而言，可能是比那个其它的一些新药发现这一块可能更快、更顺畅的一个环节。反正这个跟有机化学这一块这个数据量特别大，你们那个有机化学反应数据库其实是非常之庞大，可以达到几千万这样一个数据量，而且这数据量非常之标准，非常之规范。因为像美国和欧洲的一些公司，它们其实已经把这些数据给整理出来，所以说这是在整个 AI 制药链条里边难得的有这样的几千万上亿的数据，数据又非常之规范，因为我们有机化学家经过了两三百年级别的这样难得一个场景。

 

所以的话，大概在 2017 年左右的话，其实国外的科学家其实就在nature发过文章，就是可以用我们的人工智能来实名网络，模仿AlphaGo这样的下围棋的一个程序，它们的程序这个逻辑因为跟AlphaGo非常像，进行对一些新药物的药物分子做一些药物的路线设计。简单来说是给一个比如说给青霉素，以青霉素为例，当然青霉素它多数是发酵出来的，以青霉素为例，它可能是通过一个很小的药品，比如乙醇、乙酸、苯环这样一个东西，怎么样一步一步的把青霉素合成出来这样一个路线设计问题，那么 AI 的话就能够做到一个非常好的一个结果，给我们这样一条路线是怎么样过来的。

 

同时的话它那个这样一个路线设计出来之后的话，这就属于刚刚王总说的，还是一个干实验的部分，那么湿实验就是我们在实验室里边要把它来验证出来，要把它一步步的加热，这样氧化还原水解这样一步反应给它做出来的话，需要在实验室里面一步步的给它试验出来。平时怎么做呢？这里可能需要我们再搭一个化学反应器。传统的话就是像药明康德，药明康德可能有数有上万人，以及上万人的话，它们只是所采用的传统方式，在人为的资本里来作为自己的合成反应，那么如果我们 AI 介入之后的话，其实就可以模仿无人驾驶一样，我们能不能出一个整个 5G 合成机器人出来，通过无人之手，通过电脑控制一些硬件设备、控制一些反应器、控制一些后处理的这样一个过程，把这些化合物这样一步步的从乙醇小分子开始慢慢地把青霉素合成出来，这是我们这个 AI 合成的另外一个湿实验或者硬件部分的这样一个课题。

 

现在结合的一些具体的案例来说的话，也都是前面的路线设计部分，路线设计部分就是理论部分的话，总的来说针对大多数的化合物，甚至包括一些天然产物分子，人工智能其实是可以达到一个比较不错的口碑，应该说可以超过大多数的有机化学从业人员，当然比不上一些高手。但是说是针对一些比较复杂的全合成分子的话，这个AI还是比较欠缺，但是在执行层面，就是硬件层面，像无人驾驶这样控制有机化学流程反应的话，其实现在相比而言还停留在一个概念性阶段，有时候我们可能看到的 MIT 哈佛的一些实验室，或者在 science、 nature等上面发表一些整个无人之手合成某个药物分子这样一些case 。但这些 case 往往比较简单，比如说合成阿司匹林，可能本身它就只有两三步的这样一个比较简单的一些步骤，不会涉及到一些复杂的无水无氧、低温负78度这样一些反应条件，你去使用一下或者是稍微进行一些加热操作，它是可以完成的。这些里面比较长的一些步骤而已，二十几步的一些药物分子或者一些异常天然产物全合成的话，其实现在整个 AI 的智能控制这一块，其实还是做起来还是比较有难度的，但是这是一个这个未来可期的过程。

 

因为总来说这个 AI 药物，它们机器人相对于无人驾驶来说还是要简单的多了，其实毕竟这个东西的话不会牵扯到人命，不会牵扯到车子，汽车失控了之后，可能会发生一些伤及路人或者是司机会有一些生命危险，这个反应的这种控制的精度我们并没有要求那么高，大概率不会发生爆炸这种事情，只是说会影响我们的一点点产率、一点点经济收益或者是时间的跨度会稍微长一点这样一些事件。所以来说的话，这个过程相比较于无人驾驶来说，肯定难度是要明显低很多的，所以我们只要加以投入时间、投入一定的关注度、财力、物力的话，这个问题一定是可以解决的。所以我们可以预见，这个时间跨度也许是 五 年也许是十年之后，我们药明康德里面可能会有从事合成的人员，可能会有上万人，上万人的话可能就会逐步的会出现一个辅助替代的过程，也许在 10 年 20 年之后，也许在以后实验室里边，我也很少能看到摇瓶子的有机合成人员，更多是一个机器在操作的这样一个场景，这样一个场景是未来是极其可期的。