你的問題可以分為兩個部分，我分別來解答。

1，化學合成路線設計能否自動化

如果你在兩年前問這個問題，恐怕大部分的回答還會是“以後可以，現在別想了”。但是不得不說，近些年裡人工智能的發展，對這一問題的研究如火如荼。典型的，比如在年5月發表在Nature 上的論文（Nature 533, 73–76 (05 May 2016) doi:10.1038/nature17439

Nosengo，）Can artificial intelligence create the next wonder material?之中就闡釋了他們通過機器學習的方法，讓計算機與算法學習以往的實驗數據，尋找出實驗條件與結果之間的關系，進而設計更為有效的實驗條件。通過優化，由計算機與算法所設計的實驗條件的成功率已經超過了由經驗豐富的科研人員所設計出的實驗條件。

在藥物分子的結構設計上，機器學習也有很不錯的結果。比如在博客http://blog.rguha.net/中，就給出了很多相關文獻：通過對已有藥物分子結構的學習，計算機與算法得以設計可能更有效的藥物分子，繼而提高了藥物分子設計的效率。

這一個方面很難，離真正的大規模應用也很遠。只能說，任重道遠。

2，化學合成的操作能否自動化

當前，化學合成的全面自動化操作主要有兩個思路：1，UIUC的Martin Burke組的molecule making machine:通過對部分標準化流程的反應的自動化，搭建專用儀器以合成某一特定類型的分子。他們通過對Suzuki coupling的充分運用，設計了一系列標準的合成，純化，表徵流程，並儀器化。2，劍橋Steven V. Ley開創的Flow Chemistry：將化工的思路引入實驗室化學合成，通過標準化與模塊化的管線，在實驗室構建類似化工廠的自動化合成系統。相比之下，這一思路普適性更強，但是成本很高。

化學合成自動化，最大的問題還是在於，反應需要操作的多樣性。如果機器足夠簡單，則普適性機會很差，只能做一種或幾種反應。而如果機器足夠複雜，則成本又成為了重要的問題。