深度 | 美妆打响AI科研竞备赛，谁在掉队？

200多年前，蒸汽机的活塞撼动了世界，人类第一次学会了将自然的能量驯化为蓬勃的生产力，点燃了工业文明的灯塔。那头轰鸣的蒸汽巨兽，为一个时代的人们，带来的是兴奋与喜悦，也有短暂的迷惘与恐慌。

或许当下，我们也在面对同样的事情。人工智能（以下简称“AI”）开启的这场“智能革命”，正在赋予我们一颗更强大的“外脑”，复制与扩展人类最核心的智能本身，解决脑力所不能及之事。

尤其在美妆科研领域，这场革命正从概念迅速落地：AI能从数亿分子中筛出抗衰奇迹，能预测一抹乳霜划过的微妙肤感，甚至能解码基因里关于年轻的秘密。当这艘名为“AI”的巨轮鸣笛启航，美妆科研进入了提速的新周期。

但，这不仅仅是效率提升的故事。这是一场关乎未来座次的新军备竞赛。过去，国际巨头凭体量和时间堆积起科研护城河；如今，AI这条新赛道，似乎把所有人拉回了同一起跑线。

然而，跑得快不一定赢，不迷路才重要。当所有人都在谈论AI赋能时，真正的问题浮出水面：你的AI，是真实的生产力，还是昂贵的“玩具”？

大厂都在布局什么？一场“百花齐放”的效率革命

当下美妆科研的AI应用可谓“百花齐放”，已渗透到从皮肤机理研究到产品上市的全链路。其应用方向主要集中在皮肤生物学与多组学研究、计算生物学与分子模拟、成分筛选与设计、 配方优化与设计、肤感/香调与安全性评估等层面。

这场竞赛的起跑线上，国际巨头和国货先锋都已开始亮出新牌。以下是部分代表性布局：

从企业们的实践看，时下AI技术对于美妆科研有三大影响：

首先，最实质的作用是通过数字孪生的方式，实现降本增效。

美妆科研人员可以通过AI深度学习算法，采用高通量筛选的方式快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新成分研发周期、降低开发成本、提高研发成功率的目的。

这一点在药物开发中早已得到验证。

过去药物开发有著名的“三个10”定律（10亿美元、10年时间、不到10%的成功率）。但硅谷公司Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，筛选出820万种候选化合物，研发成本仅为数千美元，研究周期仅需几天。

其次，大大解放了科学家的脑力和精力，带来更多创新的可能性。

欧莱雅集团研究和创新中心科学总监Isabelle Castiel不久前在接受《FBeauty未来迹》专访时表示：“过去人脑没有办法处理铺天盖地的数据，但AI可以让过去许多‘不可能完成的任务’成为可能。”

更重要的是，正在缩短国货品牌与国际企业在科研端的差距。例如，2025年，珀莱雅一篇《基于深度学习辅助筛选的线粒体功能增强与皮肤抗衰老活性化合物发现》的科研成果，荣获「IFSCC 2025十大基础研究奖」。据了解，这一奖项因门槛极高，一直被视为IFSCC含金量最高的奖项，过去通常被国际美妆和原料商垄断。

MetaNovas元星智药CEO王梅杰也对《FBeauty未来迹》表示：“某种程度上说，AI时代其实把大家重新拉到了同一起跑线上。”他认为：“AI时代变化非常快，核心不一定在于谁原本积累的数据更多，而在于谁能更快拥抱最先进的AI技术。外部可用的数据其实已经很多了，所以对品牌来说，更重要的是谁能更快地调用最新AI能力、整合外部数据，并结合自己内部的数据去做创新。”

从以上信息可见，国际巨头凭借先发优势已将AI融入血液，而中国企业的AI应用足够精准且已形成体系，甚至在某些领域实现了差异化领先。AI，正成为国货缩短与国际巨头科研差距的“涡轮增压器”。

AI的“神话”与“草台班子”：成本、门槛与现实的骨感

当AI的潜能被描绘得天花乱坠时，我们必须冷静审视其落地的真实面貌。这不仅是效率的跃升，更是对企业实力和战略定力的残酷考验。

1.第一道坎：烧钱——AI不是省钱工具，是高投入基础设施

任何行业AI工具的深度应用，都离不开前期基建。英伟达创始人黄仁勋就曾提出“AI五层蛋糕理论”。他同时给出判断：一个百万亿美元规模的产业，其研发预算中有几个百分点正在转向人工智能。AI部署主要集中在模型和应用层，但这同样意味着高昂的成本。

对照看，当前美妆科研的AI的本地部署和应用，主要集中在第三到第五层，且对企业提出了4个硬性要求：

1.在企业整体科研策略上能够大胆拥抱AI，能够大力投入基建；

2.企业内部拥有AI相关科学家，能够精准选择AI供应商，开展长期磨合，完成企业需求适配；

3.企业能否构建基于AI的可持续创新生态系统，建立自己的数据库与差异化算法；

4.能否在更长的周期里让科研成果转化为市场成功。

现实中，在美妆企业AI科研能力建设想跨出第一步，光部署AI工具的硬性成本投入就不低。

根据亿网AI 知识库部署成本解析：中小型企业若选择本地化部署，需采购服务器、存储阵列等设备，入门级配置（支持百万级数据量）约需10-30万元；大型企业面对千万级以上数据规模，可能需要分布式存储与GPU加速集群，例如运营AlphaFold官方推荐的顶级配置，初期硬件投入就超过100万。

好算法需要“高质量数据”喂出来，例如多肽类原料的筛选、预测需要Peptipedia v2.0、SILICOS®、AlphaFold等多个数据库的支撑 ，部分领域甚至需要定制化数据库。从第三方采购行业数据集，费用可能按GB计费。一些特殊领域数据单价甚至超过千元/GB。

同时，作为AI知识库的“燃料”，数据清洗需剔除重复、错误信息，以此提升算法的精度，其处理成本往往被低估。例如，一些专业医疗领域的数据清洗，需要该领域专家参与，单条数据成本可达10-50元。

2.第二道坎：不是招个程序员就行——“桥梁”型人才是必须

硬件和数据是可复制的壁垒，人才才是真正的护城河。企业需要的不是单纯的程序员或生物学家，而是既懂AI、又懂业务的复合型“桥梁”人才。他能精准地将科研需求翻译成AI问题，并持续迭代模型。

例如高丝在采用量子计算配合AI做产品配方开发之前，用长达5年的时间，培养内部团队，设计人体角栓模型的算法并验证整个方案的可行性，在这一过程中高丝科研团队培养了多名数据科学家，最终才得以让AI的科研应用体系成型。

事实上，在AI科研的过程中，人力的持续输出才是关键，中型企业至少需要一名懂AI与生物的复合型人才来维持系统运转、更新数据库、优化流程。团队中是否有这样一位“桥梁”角色，是项目能否成功的关键。

3.第三道坎：AI的“幻觉”——别期待AI无所不能

行业曾对AI抱有不切实际的幻想，认为它“什么都能干”。通过相对低精度的数据采集和分析，AI工具常常用于皮肤诊断、配方开发等技术领域。但实际上，当时的皮肤诊断点位较少，分析模型十分“粗糙”，而AI配方的开发，只需要从“配方思维”做考量，并没有涉及功效成分作用通路、递送体系、生产工艺等维度。

然而，随着科研体系的深入，成分作用机理、通路、皮肤分析、肤感设计、成本等多个维度的加入，即便是“AI算力爆炸”的当下，将AI应用于美妆科研具有明显的局限性。

联合利华中国研发策略与运营负责人梁燕坦言：“AI辅助的配方设计，目前来说不成熟。其是护肤品这样的体系，里面的复杂程度很高。分子动力学模拟可以处理一两个分子与皮肤或头发之间的相互作用，一旦体系中的分子数量增加，计算量急剧上升，很难跑起来。”

这是因为，一款护肤品的配方，涉及活性物、乳化剂、增稠剂、防腐剂、香精等数十种乃至上百种成分，这些成分在体系中的行为受到浓度、pH值、温度、加工工艺等多重变量影响。

因此，目前最务实的方式是“AI预筛选+湿（物理）实验验证”的混合模式。AI提供一个概率性的最优解，然后由科学家做实验去证实或证伪。在这个过程中，AI像个需要不断纠正的“孩子”，科学家需要判断其预测不准的症结，并针对性修正。

正如中国科学院院士颜宁此前公开发表的观点：“可惜AlphaFold还不太行，好多预测不出来或者预测不准。”

智者的选择：把AI“噪音”变成品牌“资产”

面对AI的诱惑与现实挑战，企业该如何下注？

答案或许不是大干快上，而是“为我所用”。

当下美妆企业从内部“长”出AI的能力十分困难，同时AI技术本身也在快速迭代，美妆企业AI科研能力的建设离不开外部生态伙伴的支持，而中国在AI生态领域拥有强大的优势。

联合利华梁燕曾对外透露，中国约有6000家AI企业，数量远超其他国家和地区。更关键的是，中国的研发人员和科技企业对新技术的接受度极高。

公开资料显示，联合利华AI for Science平台由联合利华中国携手深势科技（DP Technology）共同搭建。深势科技的核心技术团队由中国科学院院士领衔，在AI for Science领域积累深厚，其Uni-Mol分子构象大模型和Uni-Finder科学文献数据库为平台提供了底层能力支撑。

从国内外企业的实践看，珀莱雅科研团队制定的“人机协同”基本原则值得借鉴：

AI负责提效，人负责决策；AI拓展可能性，人把控方向与结果。

具体分工是：AI高效地读文献、做筛选、跑实验设计、生成初步方案。但“我要解决什么问题”的靶点定义权、“AI预测对不对”的验证决策权，以及结合市场洞察与品牌表达的审美判断权，必须牢牢掌握在研发科学家手中。这条原则，不仅保障了科研的自主性，也避免了企业科研的“空心化”。

企业另一个普遍的担忧是：过度依赖公共数据库和外部AI服务，会导致算法趋同，最终丧失科研的独立性和品牌的差异化优势。

在一些人的眼中，AI科研更合理的方式是由外部AI专家和品牌内部团队一起共创平台。外部专家负责持续跟进最前沿技术，并在技术迭代时帮助品牌同步升级。

站在企业科研的角度，珀莱雅科研团队持有类似的观点：“我们会和不同类型的技术伙伴保持开放交流，但核心不是简单引入一个现成平台，而是围绕具体研发场景去验证价值，比如知识检索、数据治理、原料筛选、实验辅助、趋势洞察等。”

珀莱雅在与外部技术方合作的过程中，对此设定了清晰的边界，其关键在于品牌是否始终掌握以下三个核心要素。

正如MetaNovas元星智药CEO王梅杰向《FBeauty未来迹》分析认为：“问题的核心不是完全自研，而是共创更好。通用模型解决不了企业的具体问题，完全自研又跑不赢AI的迭代速度。技术可以合作，但创新能力和创新主权必须沉淀在品牌自身。”

可见，那些通过AI技术产生并属于品牌自己的原料研究、配方开发、功效评价、感官反馈以及研发知识，才是更具长期价值的核心资产。

就像人类在过去无法拒绝蒸汽机、电力一样，AI科研时代到来是一种必然，甚至比我们想象得更快。积极拥抱AI是一种必然，它既是政策导向，也是当下美妆科研生产力迭代的必然需求。

今年4月2日，国家药监局发布《关于“人工智能+药品监管”的实施意见》，提出推动申报资料电子提交标准化、结构化，完善审评审批知识库，加快“两品一械”审评审批大模型与智能体研发应用，高效赋能产品智能分类、任务分配、资料审查、知识检索、问题识别、报告生成、制证送达等场景，显著提升审评审批质效。

从产业角度来看，一个美妆品牌服务消费者的环节，会越来越多，精度要求会越来越高。但一个品牌能够覆盖人员成本和投资是有限的。AI应用本质是用算力帮助有限的人力成本，去服务无限上升的产品研发精度、服务精度、体验精度。

未来已来：奔赴“人机共创”时代

AI并未停下进化的脚步。当美妆企业还在摸索“AI预筛选+湿实验验证”的混合模式时，一种更颠覆性的范式已经悄然降临——Agentic AI（代理式AI）。

如果说过去的AI是“听话的工具”，你输入指令，它输出结果，是线性的、被动的；那么Agentic AI则像一个主动的“科研伙伴”——它通过“感知—规划—执行—反思”的闭环，实现自主迭代的科研探索。

什么意思？我们来看一个具体的场景。

过去研发人员做功能蛋白设计，需要手动调用AlphaFold预测结构，看到结果不行，再手动修改序列，重新提交计算。这是一个反复“试错”的过程。

但在Agentic AI模式下，AI Agent会主动工作：它先检索专利和文献，自动规避已知风险并设定研发边界；接着驱动AlphaFold和分子动力学模拟进行结构初算；当模拟反馈“螺旋解体”时，它自主修改序列、重新计算以对抗失稳。更关键的是，系统内部多个子Agent会针对蛋白的稳定性、安全性和合成成本进行“博弈辩论”，由总控Agent裁决取舍并自动切换新路径。

最终，它交付给你的，是一个附带完整失败推理链的最优候选分子。整个过程中，科学家只需要做一件事：提出那个“对的问题”。剩下的，交给AI去跑、去试、去迭代。

这已经不是简单的效率提升，而是科研工作流的重塑。

长期从事AI技术研究的王梅杰认为，“现在AI Agent带来的变化是，它可以在每一个环节形成‘专家能力’，并且进一步打通全链条——从文献研究、原料筛选，到配方优化，再到产品故事表达，交付完整结果。”

这个总结意味着，过去研发人员需要分工协作——做基础研究的未必懂配方，懂配方的未必会做科学传播。但现在，一个AI Agent就能充当全流程的“多面手”，把原本碎片化的环节串成一条线。

目前，这一趋势已在产业端萌芽。今年3月，清华大学智能研究院与水木分子联合发布了全球首个生物医药Agent Skill Set，将专家决策流程编码为可执行代码，覆盖生物化学、蛋白质设计、单细胞组学分析等领域，被业内称为生物医药版的“OpenClaw”。

有国货企业已开始关注这一趋势，但目前会坚持从高频、低风险、价值明确的场景切入，确保过程可审计、结果可追溯。不冒进，但绝不掉队。

但无论技术如何发展，最终，AI的应用还是会回归人本。

所幸在《FBeauty未来迹》今年上半年的多家访谈中，不止一家企业给出了边界清晰的“人机协同”。AI做的不是替代，而是解放，让科学家能从重复性工作中解放出来，去从事更具创造力的关键工作。正如珀莱雅所畅想的未来：每一位科学家都将配备一个“AI助手”，而科学家则专注于提出问题和做出关键判断。

AI始终是效率工具，不会取代研发科学家，但会改变研发科学家的工作方式。与此同时，AI带来的效率提升，也在反向对科研人员提出更高的要求。有科研人士称，AI当前做的是二类科学家的工作，在一个固定规则里调整参数。这也意味着，能够充分发挥AI能力和效率的，是一类科学家——那些能够找到问题、解决问题的人。

从蒸汽机延伸体力到AI延伸脑力，人类始终在将自身能力“外包”给工具，又总在工具的镜像中重新确认自我的独特性。或许AI永远不能回答“人为何更美”的终极追问，但AI的算力正在将研发效率推向极致，让人们更接近这个答案。

这场AI军备竞赛，最终淘汰的不是人，而是那些不懂如何与AI协作的人。对于企业而言，拥有AI能力的企业，将淘汰固步自封的传统企业。

拥抱AI，不是因为它能告诉你“正确答案”，而是因为它能让你以更快的速度、更低的成本，去尝试“所有可能的答案”。而那个能让所有答案产生价值的，永远是在背后提出问题、做出判断、并为其赋予温度的人。这，才是“人机共创”时代的终极奥义。

[1]人工智能技术在化妆品研发中的应用概况与前景。戴镜郦，胡晓波，王梅杰，余论，罗衡，王坦。日用化学品2026年2月23

本文为FBeauty未来迹原创作品，未经书面授权许可，不得转载或通过技术抓取用于AI训练。

作者/陈龙

编辑/刘颖

排版/阳艳