美妆打响 AI 科研竞备赛：百花齐放与现实落差

AI 正在以前所未有的速度渗透美妆行业科研全链路。从皮肤机理研究、分子模拟到成分筛选与配方优化，国际巨头与中国国货品牌纷纷亮出 AI 牌。这场被业界称为「AI 科研竞备赛」的角逐，既重塑了研发效率的边界，也暴露出高成本投入、复合型人才短缺与 AI 能力边界等现实骨感。

百花齐放：AI 覆盖美妆科研全链路

当前美妆领域的 AI 应用主要集中在五大方向：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，以及肤感/香调与安全性评估。国际巨头如欧莱雅、联合利华、高丝等已率先将 AI 融入研发体系；国货品牌中，珀莱雅在 2025 年凭借《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》获 IFSCC 2025 十大基础研究奖，打破了国际品牌在该奖项上的长期垄断。

三大影响：降本增效、解放脑力、缩小差距

AI 对美妆科研的实质影响首先体现在通过数字孪生实现降本增效。硅谷公司 Atomwise 曾借助 IBM 超级计算机在分子数据库中筛选 820 万种候选化合物，研发成本仅数千美元、研究周期仅数天。其次，AI 将科研人员从重复性脑力劳动中解放，带来更多创新可能。欧莱雅研究与创新中心科学总监 Isabelle Castiel 表示，AI 让过去「不可能完成的任务」成为可能。更重要的是，AI 正在缩短国货品牌与国际企业之间的科研差距。MetaNovas 元星智药 CEO 王梅杰认为，AI 时代将所有人拉回同一起跑线，关键不在于谁积累的数据更多，而在于谁能更快调用最新 AI 能力、整合外部数据并结合自身数据做创新。

三道门槛：烧钱、人才与 AI 幻觉

AI 美妆科研的落地并非坦途，面临三道硬性门槛。

• 高投入基础设施：本地化部署入门级配置（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需分布式存储与 GPU 加速集群，初期硬件投入常超 100 万元。多肽筛选等所需数据库从第三方采购可能按 GB 计费，部分特殊领域数据单价超千元/GB，数据清洗在专业领域单条成本可达 10–50 元。
• 复合型人才缺口：企业需要既懂 AI 又懂业务的「桥梁」人才。高丝曾花 5 年时间培养内部数据科学家团队、设计算法并验证方案，才让量子计算配合 AI 的配方开发体系成型。
• AI 能力边界：联合利华中国研发策略与运营负责人梁燕指出，AI 辅助的配方设计目前仍不成熟，护肤品体系涉及数十乃至上百种成分的复杂相互作用，分子动力学模拟一旦体系分子增加，计算量即急剧上升。当下最务实的路径是「AI 预筛选 + 湿实验验证」混合模式。中国科学院院士颜宁此前也曾公开表示「AlphaFold 还不太行，好多预测不出来或者预测不准」。

人机共创：AI 是效率工具，不是替代者

面对挑战，业界已形成清晰的「人机协同」原则。珀莱雅科研团队提出的分工是：AI 负责提效、读文献、做筛选、生成初步方案；靶点定义权、AI 预测验证权与品牌审美判断权则牢牢掌握在科学家手中。外部 AI 专家负责跟进前沿技术并同步升级，品牌自身沉淀原料研究、配方开发、功效评价等核心数据资产。王梅杰总结道：「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。」

站在更长远的时间尺度看，Agentic AI（代理式 AI）正在让科研工作流进一步重塑——AI Agent 可自主完成「感知—规划—执行—反思」闭环，从文献检索、分子设计到结构预测全流程迭代，科学家只需提出「对的问题」。不过无论技术如何演进，AI 始终是效率工具，它不会取代研发科学家，但会改变科学家的工作方式——能够定义问题、做出关键判断的一类科学家，其价值将越来越突出。