比如，AI通过深度学习，构建神经网络，吸收所有已知的单步有机化学反应，解构药物里的分子，尝试任何单一步骤中可以使用的化学反应，重复应用这些神经网络来规划多步骤有机化学反应的合成，直到得到中药的药理和毒理机制。简单来说，就是将药汤里的所有化学物质都分离出来，通过化学反应和临床数据，找到那个真正有效的化学物质，并将其它化学物质进行一一的分析。
事实上，这类技术的雏形已经存在，只是还没有应用于中药研究。德国明斯特大学有机化学家和人工智能研究员MarwinSegler以及他的同事就开发了这样一款AI工具，这款AI工具能够预测在任何单一步骤中可以使用的化学反应，工具重复应用深度学习的神经网络来规划多步骤合成，解构所需的分子，直到它最终得到可用的启动试剂。
法规监管是最大问题
AI制药仍处在一个孤岛，除了数据来源、生物学发展以及市场竞争等要素会成为其发展过程中的挑战，AI制药最大的问题是，AI药物是否会受到与人工药物同样的法规监管。
目前，因为生物学的复杂性，还没有直接的与AI制药相关的产品被批准发行，AI在制药行业主要起到的是协助作用，包括药物挖掘、深度学习算法分析数据以及预测新药有效性等，但这只是AI进军制药行业初步的结果。
在以后，AI将会更大范围和更深层次地渗透医药领域。 譬如GSK与指导药物研发的初创公司Exscientia在药物研发达成战略合作，Exscientia通过AI药物研发平台为GSK的10个疾病靶点开发创新小分子药物，并且针对这些靶点药物发现临床候选药物。
在这之前，我们应该考虑的是，我们也许在几年后就可以拿出一个完全由AI自主研发的药物出来，但是，我们的药物监管法规是否准许AI药物的大范围发行，AI药物对医药行业的业态又会产生什么样的影响？
我们要明确的是，法规监管光看药物的有效性是不够的。药物的有效性是一个比较特别的概念，在这里，“有效”具有辩证性、相对性和动态性，并没有绝对的标准。在涉及生命的领域里，容错率低，事实上的有效并不意味着法律上的安全。在未来，AI药物可能会颇受人们争议，和如今的转基因作物面临相同的处境。
医药行业一直以来都是国家重点监管的行业之一，属于典型的政策驱动行业。当AI药物出现时，法律法规应当与时俱进，及时修改完善，甚至针对AI药物形成一套其独有的法规制度。
