IBM首次披露一项结合AI、云计算及自动化技术的创新服务RoboRXN，主要用于化学实验场景，来找出一种新兴化学分子（molecule）的潜在制程。IBM苏黎世研究院经理暨杰出研究员Teodoro Laino表示，这项技术已经实际用于COVID-19的新药制程研究中，用来缩短新药从研发到上市的时间，IBM也现场展示了新分子3-Bromobenzylamine的自动化合成过程，这是IBM今年4月找出的3,000种潜在治疗药物小分子之一，预计在年底披露更多研究成果。
过去要发现一项新材料并成功上市，需要数年到数十年的时间，比如在研发尼龙（Nylon）这项材料时，花费了10年才正式投入市场，而研发维生素B12（vitamin B12）更是花了12年，所需的人力多达上百名，投入的成本更估计高达1,000万美元。为了解决研发时间过长的问题，Teodoro Laino表示，IBM研发了RoboRXN技术，若结合超级计算机或量子计算机的运算力，就可能将新药、新材料从研发到上市的时间缩短到1年，投入成本降至100万美元，对于具有急迫性的新药研究，能带来更大的效益。
IBM提供了一个新药化学合成全自动的云计算服务，化学家只要先上云提供设计好或过去找出来的新型分子结构，这个平台可以自动用AI模型，找出该分子结构最可能由那些常见的化学分子组成、及其合成步骤，也就是运用AI进行逆合成分析（retrosynthesis）的做法，再进一步，自动将合成方法转换成控制指令，送给可远程操控实验室的机器，自动合成出这个新型分子，等于从分子结构分析、生生产机制程预测到最后真的生产出实际的化学成品，这套云计算服务可以全程自动化完成。
RoboRXN服务的云计算软件接口。
这项技术的应用场景，在于当化学家提出了一种新颖的分子结构后，可以通过RoboRXN提供的逆合成分析技术，再不需人工干预的条件下，在几秒钟到几分钟之间，分析出该分子可以由哪些市售材料合成，甚至远程操控机器来自动化合成。IBM苏黎世研究院认知健康看护与生命科学领域的研究员Matteo Manica表示，这项技术并非用于找到新分子或新药的结构，而是用来加速新分子制程研究。
IBM发布RoboRXN时，也进一步解释了以AI进行逆合成分析的技术概念。
IBM苏黎世研究院博士前研究员Philippe Schwaller指出，市面上有一些逆合成分析工具，依赖专家手动制定分析规则，这种基于规则来进行逆合成分析的方法，会随着文献资料量倍增，而逐渐不够全面，因为专家的知识经验也有限。换句话说，在软件中手动添加规则的方式，反而局限了逆合成分析的结果。
IBM苏黎世研究院提出的论文指出，为了解决这个问题，许多专家近年来也提出了多种新分析方法，大致可归纳为基于图形（Graph-based）或基于串行（Sequence- based）两大类，而IBM正是采用了基于串行的方法，将化学反应的分子结构转换为简化分子线性输入规范（SMILES）的表现形式，也就是将分子化合物及其合成分子，分别以文本串行来表示，如此一来，就能把“分子化合物由哪些分子合成？”的预测问题，视为自然语言（NL）问题，因为“分子化合物”对应到“哪些合成分子”的问题，就类似于“英文句子”对应到“哪句中文翻译”的问题。
应用了这个概念，IBM设计了一组深度学习Seq2seq模型，借此来预测出新分子所需的分子组合，就像是预测一个苹果派用到的食材原料有哪些，比如切片苹果、面团、糖、蛋液、牛奶、肉桂等，而面团又需要用奶油、面粉来制作。
第一个AI模型，会预测新分子可能的组成成分。
接着，IBM也开发了第二个AI模型，基于第一个AI模型的分析结果（苹果派原料），进一步找出其烹饪步骤，比如应加入哪些特定份量的食材、混整合搅拌均匀，再放入烤箱烘烤，控制烘烤温度与时间，最后取出苹果派完成制作。对应到分子的制程，则是通过AI模型，来预测新分子的合成步骤。
第二个AI模型，主要用于分析新分子的合成步骤。
而IBM应用于第二个AI模型的技术，更被刊登在科学期刊Nature Communications中，其中提到，第二个AI模型背后，IBM其实还预训练了一个的NLP模型，以人工标注的方式来进行训练与调教。这个NLP模型，能用来分析各论文、专利等非结构化的文本内容，从中自动萃取出中简化的化学反应步骤，再以此来训练第二个AI模型，使其拥有预测分子合成步骤的能力。
IBM苏黎世研究院研究员Alain Vaucher指出，NLP模型的最大作用，就是将数百万个文本内容，转换为第二种AI模型容易学习的资料格式，再由第二个AI模型预测出一系列化学反应步骤，来指示机器或化学家执行。
第三个AI模型，也就是隐藏在第二个AI模型后的NLP模型，主要将文本资料内容转换为标准化的资料格式，提供第二个AI模型使用。
Teodoro Laino也补充说明，AI模型的正确率取决于资料集的使用，比如IBM运用公开、可取得的通用化学反应资料集，所训练的模型准确率可达90%，整个AI系统的训练资料量更超过200万笔。但这套AI模型也无法预测出所有分子的合成方法，遇到瓶颈时，用户可以重新训练AI，让AI学习新的化学反应与合成方法，来提高模型表现。
经过AI预测出新分子的制程后，下一步，则是要将AI预测结果转化为机器指令，来自动化合成新分子。为此，IBM也设计了一个硬件翻译器，把人工可读的合成步骤，自动转换为机器可读的格式，以此命令机器执行合成任务。
不过，目前自动化合成技术仍有局限，Teodoro Laino表示，从执行面来看，现有的合成技术局限于不超过4～5个步骤的合成任务，过多步骤或涉及提纯（purification）技术的步骤，目前仍无法支持。比如IBM发布会现场实际以3-Bromobenzylamine为例，来展示其自动化合成的过程，涉及的步骤仅有7项，以添加、混合、搅拌、冷却、萃取及温度控制等步骤为主。如下所示：
IBM发布会现场实际以3-Bromobenzylamine为例，来展示其自动化合成的过程，过程中仅花费1小时即合成完成。
位于IBM研究院中的自动化机器设备。
为了让遍布全球的化学家都能使用这项服务，IBM也将整套RoboRXN技术设计为云计算服务，让分散各地的化学家，能在IBM化学平台（IBM RXN for Chemistry）中共同协作，这项服务也尤其能在疫情期派上用场，让研究员能不受在家工作的限制，持续通过云计算工具进行研究。
Teodoro Laino也提到，这套技术也能部署在用户的私有云中，可以让有安全疑虑的研究单位于地部署。