儘管這聽起來非常冷血和不人性，但是動物實驗是現代醫藥發展和認證流程中不可缺少的一部分。
這也是出於善意和合理的理由，因為科學家依然無法預測新型化學物質的特點，更不要說它們可能對活體細胞產生什麼影響了。
但是，最新發表在 Toxicological Sciences 期刊上的一篇研究結果顯示，利用過往實驗和已知數據預測新合成物質的特性是可能的。研究過程中，一個經過訓練的 AI 系統可以預測成百上千中未知合成物的毒性，而且預測結果在一些案例中，比動物測試更加準確和可靠。
當然，在藥物測試中使用 AI 並不是什麼新鮮事。事實上，28家大型醫藥公司和93家創業公司已經花了數千萬美元研究，如何用機器學習和 AI 技術用於發現、確認和測試新藥品。整個行業其實已經處於非常渴望 AI 變革的階段了。
Exscientia 的 CEO Andrew Hopkins 表示，AI 可以做出更好的設計方案，並且能更好地決定應該製作和測試哪些合成物。這些優勢最終將降低藥物試驗的總次數，進而降低藥物研發的費用。
「有些人會覺得由於生物的複雜性和混亂程度，我們很難使用 AI 技術。可是，正因為決策過程中的複雜性，我們才應該依賴於 AI。
舉個例子，貝葉斯算法對於混亂的數據來說格外有用，AI 能夠使人更安心地擁抱不確定性。它不需要完美的數據才能得出完美的預測結果，而能夠幫助我們在不完美、混亂和複雜的數據環境中，找到重要的信號。」
AI真的可以拯救數以百萬計的實驗動物。計算機模型可以取代大量標準的藥物測試環節，例如將藥物滴進兔子的眼睛裡，來檢查它是否會過敏；或者給小白鼠餵藥物，來觀察毒性。大數據技術其實能夠產出比動物實驗更加準確的測試結果。
將醫藥研究過程中的動物實驗數量降至最低不僅僅是出於人性高尚的原因，而且也會讓研發的過程變快、成本降得更低。
不過，AI 目前能夠試圖替代的也只是絕大多數在動物身上開展的標準測試，還有很多更加複雜和長期的、與生育能力和癌症機率相關的藥物作用是 AI 目前無法涉足的。但即便如此，如果能夠避免大量的動物測試，動物權益保護者和因藥物價格下降而受益的患者已經足夠開心了。