深度 | 美妝打響AI科研競備賽，誰在掉隊？

200多年前，蒸汽機的活塞撼動了世界，人類第一次學會了將自然的能量馴化為蓬勃的生產力，點燃了工業文明的燈塔。那頭轟鳴的蒸汽巨獸，為一個時代的人們，帶來的是興奮與喜悅，也有短暫的迷惘與恐慌。

或許當下，我們也在面對同樣的事情。人工智能（以下簡稱“AI”）開啟的這場“智能革命”，正在賦予我們一顆更強大的“外腦”，復制與擴展人類最核心的智能本身，解決腦力所不能及之事。

尤其在美妝科研領域，這場革命正從概念迅速落地：AI能從數億分子中篩出抗衰奇跡，能預測一抹乳霜劃過的微妙膚感，甚至能解碼基因里關于年輕的秘密。當這艘名為“AI”的巨輪鳴笛啟航，美妝科研進入了提速的新周期。

但，這不僅僅是效率提升的故事。這是一場關乎未來座次的新軍備競賽。過去，國際巨頭憑體量和時間堆積起科研護城河；如今，AI這條新賽道，似乎把所有人拉回了同一起跑線。

然而，跑得快不一定贏，不迷路才重要。當所有人都在談論AI賦能時，真正的問題浮出水面：你的AI，是真實的生產力，還是昂貴的“玩具”？

大廠都在布局什么？一場“百花齊放”的效率革命

當下美妝科研的AI應用可謂“百花齊放”，已滲透到從皮膚機理研究到產品上市的全鏈路。其應用方向主要集中在皮膚生物學與多組學研究、計算生物學與分子模擬、成分篩選與設計、 配方優化與設計、膚感/香調與安全性評估等層面。

這場競賽的起跑線上，國際巨頭和國貨先鋒都已開始亮出新牌。以下是部分代表性布局：

從企業們的實踐看，時下AI技術對于美妝科研有三大影響：

首先，最實質的作用是通過數字孿生的方式，實現降本增效。

美妝科研人員可以通過AI深度學習算法，采用高通量篩選的方式快速、準確地挖掘和篩選合適的化合物或生物，達到縮短新成分研發周期、降低開發成本、提高研發成功率的目的。

這一點在藥物開發中早已得到驗證。

過去藥物開發有著名的“三個10”定律（10億美元、10年時間、不到10%的成功率）。但硅谷公司Atomwise通過IBM超級計算機，在分子結構數據庫中篩選治療方法，篩選出820萬種候選化合物，研發成本僅為數千美元，研究周期僅需幾天。

其次，大大解放了科學家的腦力和精力，帶來更多創新的可能性。

歐萊雅集團研究和創新中心科學總監Isabelle Castiel不久前在接受《FBeauty未來跡》專訪時表示：“過去人腦沒有辦法處理鋪天蓋地的數據，但AI可以讓過去許多‘不可能完成的任務’成為可能。”

更重要的是，正在縮短國貨品牌與國際企業在科研端的差距。例如，2025年，珀萊雅一篇《基于深度學習輔助篩選的線粒體功能增強與皮膚抗衰老活性化合物發現》的科研成果，榮獲「IFSCC 2025十大基礎研究獎」。據了解，這一獎項因門檻極高，一直被視為IFSCC含金量最高的獎項，過去通常被國際美妝和原料商壟斷。

MetaNovas元星智藥CEO王梅杰也對《FBeauty未來跡》表示：“某種程度上說，AI時代其實把大家重新拉到了同一起跑線上。”他認為：“AI時代變化非常快，核心不一定在于誰原本積累的數據更多，而在于誰能更快擁抱最先進的AI技術。外部可用的數據其實已經很多了，所以對品牌來說，更重要的是誰能更快地調用最新AI能力、整合外部數據，并結合自己內部的數據去做創新。”

從以上信息可見，國際巨頭憑借先發優勢已將AI融入血液，而中國企業的AI應用足夠精準且已形成體系，甚至在某些領域實現了差異化領先。AI，正成為國貨縮短與國際巨頭科研差距的“渦輪增壓器”。

AI的“神話”與“草臺班子”：成本、門檻與現實的骨感

當AI的潛能被描繪得天花亂墜時，我們必須冷靜審視其落地的真實面貌。這不僅是效率的躍升，更是對企業實力和戰略定力的殘酷考驗。

1.第一道坎：燒錢——AI不是省錢工具，是高投入基礎設施

任何行業AI工具的深度應用，都離不開前期基建。英偉達創始人黃仁勛就曾提出“AI五層蛋糕理論”。他同時給出判斷：一個百萬億美元規模的產業，其研發預算中有幾個百分點正在轉向人工智能。AI部署主要集中在模型和應用層，但這同樣意味著高昂的成本。

對照看，當前美妝科研的AI的本地部署和應用，主要集中在第三到第五層，且對企業提出了4個硬性要求：

1.在企業整體科研策略上能夠大膽擁抱AI，能夠大力投入基建；

2.企業內部擁有AI相關科學家，能夠精準選擇AI供應商，開展長期磨合，完成企業需求適配；

3.企業能否構建基于AI的可持續創新生態系統，建立自己的數據庫與差異化算法；

4.能否在更長的周期里讓科研成果轉化為市場成功。

現實中，在美妝企業AI科研能力建設想跨出第一步，光部署AI工具的硬性成本投入就不低。

根據億網AI 知識庫部署成本解析：中小型企業若選擇本地化部署，需采購服務器、存儲陣列等設備，入門級配置（支持百萬級數據量）約需10-30萬元；大型企業面對千萬級以上數據規模，可能需要分布式存儲與GPU加速集群，例如運營AlphaFold官方推薦的頂級配置，初期硬件投入就超過100萬。

好算法需要“高質量數據”喂出來，例如多肽類原料的篩選、預測需要Peptipedia v2.0、SILICOS?、AlphaFold等多個數據庫的支撐 ，部分領域甚至需要定制化數據庫。從第三方采購行業數據集，費用可能按GB計費。一些特殊領域數據單價甚至超過千元/GB。

同時，作為AI知識庫的“燃料”，數據清洗需剔除重復、錯誤信息，以此提升算法的精度，其處理成本往往被低估。例如，一些專業醫療領域的數據清洗，需要該領域專家參與，單條數據成本可達10-50元。

2.第二道坎：不是招個程序員就行——“橋梁”型人才是必須

硬件和數據是可復制的壁壘，人才才是真正的護城河。企業需要的不是單純的程序員或生物學家，而是既懂AI、又懂業務的復合型“橋梁”人才。他能精準地將科研需求翻譯成AI問題，并持續迭代模型。

例如高絲在采用量子計算配合AI做產品配方開發之前，用長達5年的時間，培養內部團隊，設計人體角栓模型的算法并驗證整個方案的可行性，在這一過程中高絲科研團隊培養了多名數據科學家，最終才得以讓AI的科研應用體系成型。

事實上，在AI科研的過程中，人力的持續輸出才是關鍵，中型企業至少需要一名懂AI與生物的復合型人才來維持系統運轉、更新數據庫、優化流程。團隊中是否有這樣一位“橋梁”角色，是項目能否成功的關鍵。

3.第三道坎：AI的“幻覺”——別期待AI無所不能

行業曾對AI抱有不切實際的幻想，認為它“什么都能干”。通過相對低精度的數據采集和分析，AI工具常常用于皮膚診斷、配方開發等技術領域。但實際上，當時的皮膚診斷點位較少，分析模型十分“粗糙”，而AI配方的開發，只需要從“配方思維”做考量，并沒有涉及功效成分作用通路、遞送體系、生產工藝等維度。

然而，隨著科研體系的深入，成分作用機理、通路、皮膚分析、膚感設計、成本等多個維度的加入，即便是“AI算力爆炸”的當下，將AI應用于美妝科研具有明顯的局限性。

聯合利華中國研發策略與運營負責人梁燕坦言：“AI輔助的配方設計，目前來說不成熟。其是護膚品這樣的體系，里面的復雜程度很高。分子動力學模擬可以處理一兩個分子與皮膚或頭發之間的相互作用，一旦體系中的分子數量增加，計算量急劇上升，很難跑起來。”

這是因為，一款護膚品的配方，涉及活性物、乳化劑、增稠劑、防腐劑、香精等數十種乃至上百種成分，這些成分在體系中的行為受到濃度、pH值、溫度、加工工藝等多重變量影響。

因此，目前最務實的方式是“AI預篩選+濕（物理）實驗驗證”的混合模式。AI提供一個概率性的最優解，然后由科學家做實驗去證實或證偽。在這個過程中，AI像個需要不斷糾正的“孩子”，科學家需要判斷其預測不準的癥結，并針對性修正。

正如中國科學院院士顏寧此前公開發表的觀點：“可惜AlphaFold還不太行，好多預測不出來或者預測不準。”

智者的選擇：把AI“噪音”變成品牌“資產”

面對AI的誘惑與現實挑戰，企業該如何下注？

答案或許不是大干快上，而是“為我所用”。

當下美妝企業從內部“長”出AI的能力十分困難，同時AI技術本身也在快速迭代，美妝企業AI科研能力的建設離不開外部生態伙伴的支持，而中國在AI生態領域擁有強大的優勢。

聯合利華梁燕曾對外透露，中國約有6000家AI企業，數量遠超其他國家和地區。更關鍵的是，中國的研發人員和科技企業對新技術的接受度極高。

公開資料顯示，聯合利華AI for Science平臺由聯合利華中國攜手深勢科技（DP Technology）共同搭建。深勢科技的核心技術團隊由中國科學院院士領銜，在AI for Science領域積累深厚，其Uni-Mol分子構象大模型和Uni-Finder科學文獻數據庫為平臺提供了底層能力支撐。

從國內外企業的實踐看，珀萊雅科研團隊制定的“人機協同”基本原則值得借鑒：

AI負責提效，人負責決策；AI拓展可能性，人把控方向與結果。

具體分工是：AI高效地讀文獻、做篩選、跑實驗設計、生成初步方案。但“我要解決什么問題”的靶點定義權、“AI預測對不對”的驗證決策權，以及結合市場洞察與品牌表達的審美判斷權，必須牢牢掌握在研發科學家手中。這條原則，不僅保障了科研的自主性，也避免了企業科研的“空心化”。

企業另一個普遍的擔憂是：過度依賴公共數據庫和外部AI服務，會導致算法趨同，最終喪失科研的獨立性和品牌的差異化優勢。

在一些人的眼中，AI科研更合理的方式是由外部AI專家和品牌內部團隊一起共創平臺。外部專家負責持續跟進最前沿技術，并在技術迭代時幫助品牌同步升級。

站在企業科研的角度，珀萊雅科研團隊持有類似的觀點：“我們會和不同類型的技術伙伴保持開放交流，但核心不是簡單引入一個現成平臺，而是圍繞具體研發場景去驗證價值，比如知識檢索、數據治理、原料篩選、實驗輔助、趨勢洞察等。”

珀萊雅在與外部技術方合作的過程中，對此設定了清晰的邊界，其關鍵在于品牌是否始終掌握以下三個核心要素。

正如MetaNovas元星智藥CEO王梅杰向《FBeauty未來跡》分析認為：“問題的核心不是完全自研，而是共創更好。通用模型解決不了企業的具體問題，完全自研又跑不贏AI的迭代速度。技術可以合作，但創新能力和創新主權必須沉淀在品牌自身。”

可見，那些通過AI技術產生并屬于品牌自己的原料研究、配方開發、功效評價、感官反饋以及研發知識，才是更具長期價值的核心資產。

就像人類在過去無法拒絕蒸汽機、電力一樣，AI科研時代到來是一種必然，甚至比我們想象得更快。積極擁抱AI是一種必然，它既是政策導向，也是當下美妝科研生產力迭代的必然需求。

今年4月2日，國家藥監局發布《關于“人工智能+藥品監管”的實施意見》，提出推動申報資料電子提交標準化、結構化，完善審評審批知識庫，加快“兩品一械”審評審批大模型與智能體研發應用，高效賦能產品智能分類、任務分配、資料審查、知識檢索、問題識別、報告生成、制證送達等場景，顯著提升審評審批質效。

從產業角度來看，一個美妝品牌服務消費者的環節，會越來越多，精度要求會越來越高。但一個品牌能夠覆蓋人員成本和投資是有限的。AI應用本質是用算力幫助有限的人力成本，去服務無限上升的產品研發精度、服務精度、體驗精度。

未來已來：奔赴“人機共創”時代

AI并未停下進化的腳步。當美妝企業還在摸索“AI預篩選+濕實驗驗證”的混合模式時，一種更顛覆性的范式已經悄然降臨——Agentic AI（代理式AI）。

如果說過去的AI是“聽話的工具”，你輸入指令，它輸出結果，是線性的、被動的；那么Agentic AI則像一個主動的“科研伙伴”——它通過“感知—規劃—執行—反思”的閉環，實現自主迭代的科研探索。

什么意思？我們來看一個具體的場景。

過去研發人員做功能蛋白設計，需要手動調用AlphaFold預測結構，看到結果不行，再手動修改序列，重新提交計算。這是一個反復“試錯”的過程。

但在Agentic AI模式下，AI Agent會主動工作：它先檢索專利和文獻，自動規避已知風險并設定研發邊界；接著驅動AlphaFold和分子動力學模擬進行結構初算；當模擬反饋“螺旋解體”時，它自主修改序列、重新計算以對抗失穩。更關鍵的是，系統內部多個子Agent會針對蛋白的穩定性、安全性和合成成本進行“博弈辯論”，由總控Agent裁決取舍并自動切換新路徑。

最終，它交付給你的，是一個附帶完整失敗推理鏈的最優候選分子。整個過程中，科學家只需要做一件事：提出那個“對的問題”。剩下的，交給AI去跑、去試、去迭代。

這已經不是簡單的效率提升，而是科研工作流的重塑。

長期從事AI技術研究的王梅杰認為，“現在AI Agent帶來的變化是，它可以在每一個環節形成‘專家能力’，并且進一步打通全鏈條——從文獻研究、原料篩選，到配方優化，再到產品故事表達，交付完整結果。”

這個總結意味著，過去研發人員需要分工協作——做基礎研究的未必懂配方，懂配方的未必會做科學傳播。但現在，一個AI Agent就能充當全流程的“多面手”，把原本碎片化的環節串成一條線。

目前，這一趨勢已在產業端萌芽。今年3月，清華大學智能研究院與水木分子聯合發布了全球首個生物醫藥Agent Skill Set，將專家決策流程編碼為可執行代碼，覆蓋生物化學、蛋白質設計、單細胞組學分析等領域，被業內稱為生物醫藥版的“OpenClaw”。

有國貨企業已開始關注這一趨勢，但目前會堅持從高頻、低風險、價值明確的場景切入，確保過程可審計、結果可追溯。不冒進，但絕不掉隊。

但無論技術如何發展，最終，AI的應用還是會回歸人本。

所幸在《FBeauty未來跡》今年上半年的多家訪談中，不止一家企業給出了邊界清晰的“人機協同”。AI做的不是替代，而是解放，讓科學家能從重復性工作中解放出來，去從事更具創造力的關鍵工作。正如珀萊雅所暢想的未來：每一位科學家都將配備一個“AI助手”，而科學家則專注于提出問題和做出關鍵判斷。

AI始終是效率工具，不會取代研發科學家，但會改變研發科學家的工作方式。與此同時，AI帶來的效率提升，也在反向對科研人員提出更高的要求。有科研人士稱，AI當前做的是二類科學家的工作，在一個固定規則里調整參數。這也意味著，能夠充分發揮AI能力和效率的，是一類科學家——那些能夠找到問題、解決問題的人。

從蒸汽機延伸體力到AI延伸腦力，人類始終在將自身能力“外包”給工具，又總在工具的鏡像中重新確認自我的獨特性。或許AI永遠不能回答“人為何更美”的終極追問，但AI的算力正在將研發效率推向極致，讓人們更接近這個答案。

這場AI軍備競賽，最終淘汰的不是人，而是那些不懂如何與AI協作的人。對于企業而言，擁有AI能力的企業，將淘汰固步自封的傳統企業。

擁抱AI，不是因為它能告訴你“正確答案”，而是因為它能讓你以更快的速度、更低的成本，去嘗試“所有可能的答案”。而那個能讓所有答案產生價值的，永遠是在背后提出問題、做出判斷、并為其賦予溫度的人。這，才是“人機共創”時代的終極奧義。

[1]人工智能技術在化妝品研發中的應用概況與前景。戴鏡酈，胡曉波，王梅杰，余論，羅衡，王坦。日用化學品2026年2月23

本文為FBeauty未來跡原創作品，未經書面授權許可，不得轉載或通過技術抓取用于AI訓練。

作者/陳龍

編輯/劉穎

排版/陽艷