每次参加行业论坛，"AI赋能"四个字几乎是所有嘉宾的必带台词。做原料的说AI筛选新活性物，做品牌的说AI做肤质诊断，做代工的说AI优化配方，做零售的说AI虚拟试妆。

好像不提AI，你这个公司就落伍了。

但作为一个天天在实验室里打样的配方师，我想问一个不太礼貌的问题：这些AI应用里，有多少是真的在产生价值？有多少还停留在发布会的PPT上？

今天我从配方师的视角，把AI在化妆品行业的赋能按"是否已经落地"做一次诚实的分类。

已经落地、确实有用的

一、活性物虚拟筛选

这是目前AI在化妆品研发中落地最成功的应用，没有之一。

传统的原料筛选是"湿实验"——你得把几百种化合物一个一个买回来、做细胞实验、测功效指标、排除安全问题。一轮筛选下来少则几个月，多则一两年，烧钱烧时间。

AI筛选是"干实验"——用机器学习模型，基于化合物的分子结构，预测它的生物活性、毒性、稳定性等指标。筛选规模从几百种扩大到几万甚至几十万种，而且只在电脑上跑，不需要实体原料。筛完之后挑出排名靠前的几十种，再做"湿实验"验证。验证规模压缩到传统方法的千分之一。

这不是概念。拜尔斯道夫集团用AI从5万种化合物里筛出了Thiamidol——目前最强的酪氨酸酶抑制剂，已经变成了他们旗下优色林的核心美白成分。欧莱雅用计算机辅助虚拟筛选，从内部10万+活性成分库里筛出了麦色净（Mexoryl）系列的防晒活性物。

这些不是"AI概念产品"，是已经上了货架、卖给消费者的真实产品。AI缩短了它们从发现到上市的周期，至少省了两三年。

二、配方稳定性和兼容性预测

配方开发中一个极耗时的环节是稳定性测试——你调好一个配方，要做加速老化测试（高温、低温、光照、冻融循环），等三到六个月才知道配方稳不稳定。如果不稳定，改配方，再等三到六个月。

AI可以基于已有的稳定性数据库，预测新配方的稳定性风险。比如："这个乳化体系在pH 5.0以下容易分层""这种活性物在含铁离子的配方里三个月后会变色"——这些预测不能完全替代实验验证，但能帮你在打样之前排除掉大部分"注定会失败"的方案。

2025年发表在《ChemPlusChem》上的综述论文专门讨论了分子动力学模拟和AI在配方设计中的应用——用计算模型预测乳化体系的界面行为、活性物的渗透路径、防腐剂的分布均匀性。这些工具在大型原料公司的研发部门已经在日常使用了。

三、调色和感官匹配

我在之前关于科丝美诗的文章里讲过他们的AI调色系统——用深度学习把颜色数据化，根据目标色号直接预测着色剂配比，不需要配方师反复手调。彩妆开发里色号多的产品线（30色粉底液），AI能把调色周期从几个月压缩到几周。

类似的还有AI香气预测——根据分子结构预测原料的嗅觉特征，帮助调香师在初筛阶段减少"逐一闻"的工作量。科丝美诗2025年底公布的SKIMInet™算法就是做这个的。

这两个应用的共同点是：它们解决的是重复性试错的效率问题，不是创造性的问题。颜色的最终判断、香气的最终调和，仍然需要人的眼睛和鼻子。AI做的是把范围缩小，让人集中精力在最后10%的微调上。

正在落地、但效果还需观察的

四、个性化肤质分析和产品推荐

你在某些品牌的APP或专柜拍张自拍，AI分析你的肤色、肤质、毛孔、色斑、皱纹，然后推荐"适合你的产品"。

技术本身是成熟的。Haut.AI的算法基于300多万张面部图像训练，能识别150多个皮肤生物标志物。爱茉莉太平洋在CES上展示的Skinsight电子皮肤贴片，能实时追踪皮肤紧致度、UV暴露、温度和水分变化。

但问题在于：分析准不准是一回事，推荐准不准是另一回事。

目前大部分品牌的AI肤质分析工具，底层推荐逻辑还是"IF-THEN"规则——"如果你是油性肌+毛孔大→推荐控油收毛孔的产品"。这跟AI不AI没太大关系，换个产品经理也能写出这套规则。真正有价值的个性化推荐应该能考虑到成分交互、使用场景、环境因素、甚至你的生活作息——这个层面的AI还远没到位。

五、虚拟试妆

AR+AI驱动的虚拟试妆——打开手机摄像头，实时看到口红、粉底、眼影在自己脸上的效果。

技术已经很成熟了。67%的消费者表示更愿意在虚拟试妆之后再购买彩妆。欧莱雅旗下的ModiFace、玩美移动的YouCam——都是行业标杆级的应用。

但虚拟试妆解决的是"颜色对不对"的问题，解决不了"质地好不好""遮瑕力够不够""持久性强不强"的问题。你在屏幕上看到的"这个色号很衬我"，和实际涂上去"拔干卡粉脱妆"是两码事。

对配方师来说，虚拟试妆对研发的价值有限——它是一个销售端工具，不是研发端工具。但Givaudan和Haut.AI最近展示了一个新方向：用AI模拟活性成分对皮肤的长期改善效果——你拍一张自拍，AI模拟"使用这款抗皱精华8周后你的皮肤会变成什么样"。这个如果做得准，对配方功效传播会很有价值。但"做得准"是个大大的如果。

还在画饼阶段的

六、AI自主设计配方

"AI自动生成最优配方"——这大概是被吹得最响的一个概念。

现实是：AI可以在你给定的约束条件内（原料列表、浓度范围、成本上限、目标质地）生成配方建议。但化妆品配方不只是数字优化问题。一个面霜的好坏涉及肤感、气味、外观、稳定性、功效、安全性——这些维度中有很多是主观的、非线性的、难以量化的。

"涂上去滑但不油""看起来有光泽但不是那种假的亮""闻起来清淡但不是没有味道"——这些配方师日常使用的评价标准，目前没有任何AI能理解。

AI能帮你从1000种可能的配方组合里缩小到50种。但从50种里挑出那1种"对"的，还是得靠配方师的手指、眼睛和鼻子。

我见过一些初创公司宣传"输入需求，AI输出配方，直接生产"。说实话我持保留态度。配方设计的"最后一公里"是感官和经验，这恰恰是目前AI最弱的环节。

七、AI完全替代动物/人体测试

AI辅助减少动物测试——这个方向是确定的，也是行业共识。AI模型可以预测成分的皮肤刺激性、致敏性、经皮吸收量，减少不必要的动物实验。

但"完全替代"？目前还远做不到。法规层面，各国监管机构对AI预测数据的接受度参差不齐。科学层面，皮肤的生物学复杂性远超现有AI模型的建模能力——皮肤不是一个简单的膜，它有代谢、有免疫、有微生物组、有神经末梢。你用AI预测一个成分"可能不刺激"，和用人体贴片测试证明它"确实不刺激"，法规监管者更信后者。

这个领域在进步，但距离"替代"还有很长的路。ISO 23675和23698这类新标准是在缩小差距，但它们也不是纯AI——它们是物理仪器+统计方法，AI只是辅助。

配方师该怎么看AI

说完了分类，谈谈我个人的看法。

AI对化妆品研发最大的价值在于压缩"已知的重复"。原料筛选、稳定性预测、调色——这些工作有大量的历史数据可以训练模型，有明确的输入输出关系，有可量化的优化目标。AI在这些环节的表现已经证明了自己。

AI目前做不好的是处理"未知的创新"。一个全新质地的灵感、一个没有先例的活性物组合、一个消费者还不知道自己想要什么的产品概念——这些靠的是配方师的直觉、审美和对消费者的理解。AI没有灵感做这个东西。

最合理的定位是人机协作——AI做它擅长的（大规模筛选、数据预测、重复性任务加速），配方师做人擅长的（感官判断、创意决策、跨领域联想）。

有一个比喻我觉得很准确：AI是导航仪，配方师是驾驶员。导航仪告诉你最快的路线，但弯道怎么过、路况怎么判断、什么时候该停下来换条路——还是得驾驶员说了算。

目前我最担心的不是AI取代配方师，而是行业里有些人把AI当成营销噱头，用"AI配方""AI定制"这些标签收割消费者的认知溢价。当AI变成一个纯粹的营销词汇而不是真正的研发工具时，它的价值就被透支了。

我希望AI在化妆品行业走的是科丝美诗和拜尔斯道夫那条路——安静地嵌入研发链条的每一个可以提效的环节，不张扬，但真的管用。而不是走"AI面霜""AI定制精华"这种把AI印在包装盒上的路。

工具就该像工具。你用扳手修车，不需要在车门上贴一个"扳手修过的车"标签。

我是Seren，世界级化妆品大厂配方师。

用研发思维，带你理性护肤。