从AI测肤到AI科学家
2026 全球化妆品行业人工智能应用全景研究报告

AI 正在从化妆品企业的外围工具，进入决定长期竞争力的核心区域

截至 2026 年 9 月 18 日，我们对全球化妆品企业、品牌、ODM/OEM 企业、美妆零售商以及香精香料和原料企业的公开资料进行了系统收集、筛选和核实，最终收录 138 个公开可核实 AI 案例，涉及 47 家公司/集团、62 个品牌或业务单元，覆盖 21 个已经出现实际案例的 AI 应用类别。在剔除仅能证明使用 AR、数字化或智能设备、但无法确认采用 AI 技术的项目后，样本的高可信证据比例达到 92.0%。

研究结果显示，全球美妆 AI 正在经历一次结构性的重心迁移：第一阶段的 AI 主要解决「看见消费者」的问题——测肤、试妆、色号匹配；第二阶段开始解决「理解消费者」的问题——推荐、个性化和 Beauty Agent；而 2024 年以来最值得关注的第三阶段，则正在解决「创造产品」的问题——发现新原料、设计分子、生成配方、预测安全性、控制实验机器人乃至驱动智能制造。

AI 正在从化妆品企业外围的数字营销工具，逐步进入决定企业长期竞争力的核心区域——科研、原料、配方、实验、产品开发和制造。未来化妆品公司的核心竞争问题，可能不再是「有没有使用 AI」，而是「AI 究竟有没有进入企业的科学发现系统和产品创造系统」。

为什么不能把所有「Beauty Tech」都算作 AI

研究化妆品 AI 首先面临的一个问题，是行业中存在大量概念混用。AR 虚拟试妆、智能美容仪、自动化生产设备、数字化测肤仪、推荐算法、计算机视觉、机器学习、大语言模型、生成式 AI、AI Agent，经常被统称为「AI Beauty」。但从技术研究角度看，这种统计方法会严重夸大 AI 的真实使用范围。

因此，本数据库采用相对严格的纳入规则：只有企业官网、年报、监管文件、论文或技术合作方明确证明使用了 Artificial Intelligence、Machine Learning、Deep Learning、Generative AI、LLM、Computer Vision、AI Agent 等技术的项目，才进入 AI 主库。单纯能够证明使用 AR、数字化或者「智能设备」，但不能确认 AI 参与核心算法的项目，不计入正式样本。

证据分级与样本可信度

本研究讨论的不是「AI 概念热度」，而尽可能接近全球化妆品产业中已经真实发生的 AI 应用。需要同时说明，本数据库仍存在典型的「公开披露偏差」：一家企业案例数量较多，并不必然意味着其 AI 水平高于另一家公司——大型上市集团通常披露更加充分，而许多企业内部 AI 系统、研发模型以及供应链算法并不会公开。因此，本文讨论的是公开可验证 AI 活动的结构，而不是对全球所有化妆品企业 AI 能力的绝对排名。

138 个案例告诉我们什么：AI 已经跨越化妆品完整价值链

如果把 138 个案例重新归纳为四大产业模块，可以看到一个非常值得重视的结构：消费者洞察与体验仍是 AI 应用数量最大的领域，但研发与科学端正在成为产业价值最高、变化最快的区域。

• 消费者洞察与体验：61 例，占 44.2% —— AI 消费者趋势洞察、VOC 分析、AI 测肤、AI 个性化产品、色号匹配、虚拟试妆和 Beauty Agent。
• 研发与科学：41 例，占 29.7% —— AI 原料发现、多肽与蛋白设计、植物活性物发现、配方生成、安全评价、功效评价、组学、生物标志物、分子设计、环境安全和毒理文献分析。
• 企业运营与制造：25 例，占 18.1% —— 企业知识助手、AI 客服、供应链预测、包装搜索、自动补货、智能工厂和 Physical AI。
• 营销与增长：11 例，占 8.0% —— AIGC 内容、广告创意和媒体投放优化。

这组数据实际上修正了一个非常常见的行业认知：很多人把「美妆 + AI」等同于 AIGC，但在本数据库中，AIGC 营销内容只有 9 例、广告和媒体优化 2 例，总计仅占 8%。真正数量最多的并不是「AI 做广告」，而是 AI 理解消费者与 AI 参与产品和研发。

这是一个非常重要的产业信号：美妆 AI 的主战场，已经不在营销端。

2025 年是全球美妆 AI 应用的明显加速点

按案例首次公开披露或上线年份统计，样本呈现出非常陡峭的增长曲线：82.6% 的案例集中出现在 2024—2026 年，仅 2025—2026 年就占到 67.4%。

这里不能简单理解成「2025 年 AI 突然被发明」。更准确的解释是两条结构性原因。

第一，生成式 AI 极大降低了企业部署 AI 的技术门槛

过去化妆品企业做 AI 项目，往往需要自建算法团队、收集训练数据、自建模型、开发独立应用；而今天企业可以直接调用 GPT、Gemini、Claude、DeepSeek、Azure OpenAI、Amazon Bedrock、Adobe Firefly 等基础模型。AI 从少数大型科技项目变成了可以嵌入业务流程的通用基础设施。

第二，企业过去十年的数字化建设开始产生「AI 复利」

AI 最大的资源并不是模型本身，而是数据。这一点在美妆行业尤其明显——这些数据不是 2025 年突然出现的，而是企业几十年积累的研发资产，在大模型时代第一次具备了被大规模机器学习调用的可能。

AI 的爆发，本质上也是传统化妆品企业数据资产价值的重新发现。

最大的应用领域仍然是 AI 测肤，但「测肤」已经不是 AI Beauty 的终局

在 21 个已经产生实际案例的应用类别中，排名第一的是 AI 皮肤 / 头皮 / 头发诊断，共计 23 例，占 16.7%；随后依次是 Beauty Advisor / Agent（15 例）、AI 配方设计与优化（13 例）、AI 客服 / 企业知识助手（13 例）等。

AI 测肤为什么最早成熟？

原因并不复杂：人脸和皮肤属于高度视觉化对象，天然适合计算机视觉技术。企业可以通过「自拍 → 人脸定位 → 特征识别 → 皮肤参数计算 → 产品推荐」形成非常明确的闭环。所以从 Olay Skin Advisor、L'Oréal Skin Genius，到 Kao Kirei Skin AI、POLA 肌肤分析，再到今天的 FANCL SKIN PATCH，AI 诊断成为最早商业化的 Beauty AI 产品形态。但到了 2026 年，技术方向已经出现明显升级。

AI 测肤正在从「看照片」升级成「读取生物学」

过去 AI 测肤主要回答「你的皮肤现在看起来怎么样」；新一代系统则正在尝试回答「为什么会这样、将来可能怎么样、应该采用什么干预」。这是一个本质上的变化。

这意味着 AI 测肤正在从 Beauty Recommendation 向 Predictive Beauty——预测型美容——升级。

真正值得关注的拐点：AI 开始进入「创造产品」的环节

如果说过去十年 AI 美妆的关键词是识别，那么未来十年的关键词可能是创造。本数据库中，与消费者前端相比，AI 研发案例数量目前仍然有限，但其技术深度明显更高。

• AI 个性化化妆品 10 个案例中，10 个全部达到 L5 级别；
• AI 多肽 / 蛋白设计 3 个案例，全部为 L5；AI 分子设计 4 例中有 3 例达到 L5；
• AI 新原料发现 7 例中有 5 例达到 L5；AI 智能制造 7 例中有 5 例达到 L5；
• AI 配方设计 13 例中有 7 例达到 L5。

案例数量最大的地方未必是 AI 价值最深的地方。未来真正影响化妆品企业技术壁垒的，是 AI 能否进入「原料 → 分子 → 配方 → 实验 → 安全 → 功效 → 制造」这条完整链路。

L'Oréal × IBM：AI 正在形成「化妆品配方基础模型」

2025 年 1 月，L'Oréal 与 IBM 公布合作开发专门用于化妆品配方研究的 AI Foundation Model。它并不是一个 ChatGPT 式的普通企业助手，模型训练目标直接面向：新产品配方设计、旧配方重新设计、原料替换、可持续原料使用、工业规模放大。

这是一个非常关键的产业信号。今天的大语言模型拥有 Language Model；未来大型化妆品企业可能拥有Formulation Model——化妆品配方基础模型。如果这一模式成熟，一个企业最宝贵的资产将不再只是某一个经典配方，而可能是企业几十年配方经验形成的 AI 知识空间——这也是为什么「拥有历史研发数据的大企业」在 AI 时代可能出现新的规模优势。

资生堂 VOYAGER：AI 已经从建议配方走向真正上市产品

资生堂的 VOYAGER 是目前全球化妆品 AI 研发最值得研究的案例之一。该平台整合了超过 100 年的研发知识、超过 50 万条配方相关数据、原料相互作用、乳化机制、研发人员经验与历史技术体系；新的配方推荐 AI 能够从数万种候选方案中生成和评价新配方。

更关键的是，这已经不是实验室 Demo。2026 年 8 月 25 日，资生堂正式推出 fibona 01-010 Dual Blooming Mist UV，官方明确确认该产品使用 VOYAGER 配方 AI 开发。

这一事件的行业意义可能比「一个新的防晒喷雾上市」大得多：它证明 AI 生成的配方建议可以完成实验验证、制造验证、产品开发并最终进入真实商品。AI 配方从 Proof of Concept 正式跨入 Commercial Product。

LG 生活健康：AI 把候选功效物发现从「近两年」压缩到「一天」

AI 进入原料发现以后，最直接改变的是搜索空间。传统研发人员不可能人工筛选数百万甚至数十亿个分子，而 AI 非常适合这一任务。LG 生活健康与 LG AI 研究院使用 EXAONE Discovery 进行化妆品功效物质发现：企业披露，传统方式仅寻找候选物质平均就可能需要约 1 年 10 个月，通过 EXAONE Discovery，候选发现阶段缩短至 1 天；同时 AI 还用于预测候选物质的安全性、溶解性、功效与潜在有害成分风险。

需要特别注意：「一天」并不意味着整个新原料研发只需要一天——实验验证、稳定性、安全评价、生产放大和法规程序仍然必须完成。AI 真正做的是把科研人员需要实验验证的候选空间，从极其庞大的集合压缩到更值得实验的一小部分。这可能是 AI 对化妆品研发最重要的价值之一。

AI 不是替代科学家，而是在重写「实验搜索成本」

理解 AI 研发价值时，一个常见误区是「AI 是不是可以不用做实验」。答案显然不是：化妆品研发的核心仍然必须建立在实验验证、安全评价、功效评价、稳定性研究、人体研究、制造验证之上。AI 真正改变的，是实验之前发生的事情。

AI 不是取消实验，而是提高每一次实验的「信息含量」——这是化妆品 AI 研发最重要的经济学逻辑。

中国美妆 AI 最值得关注的变化：AI 正在进入原料和分子层

如果只看 Chatbot 或者 AIGC，中国企业似乎与全球没有本质区别。但从 138 个案例中可以看到，中国市场出现了一个更值得关注的趋势：部分头部企业已经开始把 AI 用于原料、靶点、蛋白、分子和配方。中国样本共 31 例，占数据库 22.5%，数量上已经接近欧洲样本——更重要的是应用方向。

韩国路线：AI 正在推动「超个性化化妆品工业化」

如果说中国样本最大的特点是AI 科研，那么韩国最有特色的方向之一是Hyper-Personalized Beauty。韩国样本共有 28 例，占 20.3%。爱茉莉太平洋、COSMAX、Kolmar Korea 和 LG 生活健康构成了一个非常有代表性的 AI 生态——AI 诊断、个性化配方、实时制造、ODM 研发与智能工厂高度连接。

韩国尤其值得关注的是 COSMAX 和 Kolmar：ODM 企业拥有大量品牌客户、大量配方、大量制造数据和跨品类研发经验，这意味着未来 AI 可能进一步强化大型 ODM 企业的技术平台属性。

COSMAX 3WAAU：AI 正在改变「一个配方卖给所有人」的工业逻辑

传统化妆品工业模式本质上是「一个配方 → 大规模生产 → 卖给大量消费者」。COSMAX 3WAAU 尝试改变这一逻辑：整个系统连接消费者诊断、AI 分析、个性化处方、香味选择、下单、实时制造、使用反馈与再配方。

如果这一模式规模化，其意义不仅是「更加个性化」——它可能改变化妆品行业最基本的商业单元：从 SKU 转变成 Algorithmic Formula。消费者购买的不是某一个固定 SKU，而是一个动态生成配方的系统。

Beauty Agent 正在替代传统「商品搜索框」

另一个增长极是 AI Beauty Advisor / Agent：本数据库有 15 个案例，占 10.9%，其中 14 个已经进入商业应用。这一数据很重要，因为 Beauty Agent 与 AI 测肤不同——它改变的是电商的交互入口。

这意味着电商入口可能从 Search 变成 Conversation。

L'Oréal 正在构建「Beauty Knowledge Graph」

L'Oréal 目前正在把长期积累的皮肤、头发、彩妆、香水、产品、科研知识构建成 Beauty Knowledge Graph，用于支持 Beauty Genius、Noli 等 AI 服务。这里值得注意的是：未来消费者不一定访问品牌官网搜产品、看详情页，而可能直接询问「我的皮肤适合什么」——于是决定购买结果的，变成 AI 如何理解品牌、产品、成分、功效与消费者。

这会进一步催生一个新的营销领域：GEO——Generative Engine Optimization。未来品牌竞争的不只是 Google 搜索排名，还包括「AI 是否正确理解你的产品」。

Amorepacific 正在尝试构建真正的「Beauty Operating System」

爱茉莉太平洋目前可能是全球消费端 AI 体系最完整的企业之一。它已经形成 AI 肌肤诊断、肤色诊断、头皮 / 头发诊断、Personal Color、Wanna-Beauty AI、AMORE CHAT、Beauty Concierge、个性化化妆品、美容设备、AMORE MALL ChatGPT 应用等完整矩阵。

因此，它真正值得关注的不是某一个 AI 工具，而是Diagnostic AI + Agent + Commerce + Personalized Manufacturing 正在被连接成一个完整系统——这可以被理解为 Beauty Operating System。

下一代 AI 不是 Chatbot，而是「AI Scientist」

138 个案例中最值得长期关注的案例之一，是 Rohto Pharmaceutical 开发的 Real Lab AI。它已经不再是「辅助研究员查资料」，而是：自然语言提出研发目标 → AI 设计实验 → 搜索专业数据库 → 分析数据 → 制定实验方案 → 控制实验机器人 → 执行实验 → 自动记录结果。在本数据库中，这也是唯一被定义为 L5+ 的案例。

这可能预示化妆品研发的下一阶段：不是 Researcher + AI Tool，而是 Researcher + AI Scientist + Robotic Lab。如果这种模式真正成熟，化妆品研发的速度和实验吞吐量都有可能发生数量级变化。

AI 真正的壁垒不是「模型」，而是五类资产

观察 138 个案例后，可以得出一个非常重要的战略结论：企业之间真正拉开 AI 差距的，大概率不是「谁用了 GPT」，而是以下五种资产。

5 · Regulatory & Safety Knowledge

化妆品不是纯数字产品：一个配方必须同时满足安全、稳定、法规、功效、成本、生产、包装、消费者体验等大量约束。因此未来真正优秀的 AI 配方系统不可能只回答「什么配方理论上有效」，它需要回答——什么配方既有效、安全、稳定、法规允许、可以生产，同时商业上成立？这将使安全评价 AI、法规 AI、环境安全预测、毒理信息提取成为下一阶段非常重要的基础设施。

AI 正在催生一种新的研发范式：Generative Beauty Science

过去所谓「Generative AI」主要指生成文字、图片、视频；但化妆品行业更重要的下一步可能是 Generative Science——AI 生成候选分子、多肽、蛋白、活性物组合、配方、实验方案、材料与香水配方。这类生成结果不能直接面向消费者，必须经过实验验证，因此其商业化速度不像 AIGC 那么快；但一旦成熟，其影响程度可能远远超过营销 AIGC。

二者完全不是同一个层次：营销 AI 提高的是传播效率，科学 AI 提高的是产品创新效率。

五个主要市场正在形成五种不同 AI 路线

按照数据库标注地区统计，欧洲 34 例（24.6%）、中国 31 例（22.5%）、韩国 28 例（20.3%）、北美 22 例（15.9%）、日本 18 例（13.0%），其余来自拉美、中东及跨地区项目。需要再次强调：这不是全球市场份额，只是当前公开案例的样本分布；但从应用结构上看，已经出现比较明显的区域特征。

62.3% 的案例已经商业化，AI Beauty 正在跨过「Demo 阶段」

138 个案例中，86 个已经明确实现产品化或商业化，占 62.3%。这组数据意味着一个非常明确的变化：Beauty AI 已经不是 CES 展示项目的集合，大量 AI 系统已经进入品牌官网、APP、门店、研发实验室、生产线、电商与产品。

尤其消费者端的商业化速度非常高：AI Beauty Advisor 15 例中已有 14 例商业应用；AIGC 营销 9 例全部进入实际应用；AI 个性化化妆品 10 例中 8 例已经商业化；AI 色号匹配 8 例中 7 例商业化；AI 测肤 23 例中 17 例商业化。

下一阶段行业研究真正需要回答的已经不是「AI 能不能用于化妆品」，而是「AI 到底能创造多少增量价值」。

行业评价指标必须改变：从「有没有 AI」变成「AI 贡献了什么」

未来评价一家美妆企业的 AI 能力，不应该再统计用了多少 Chatbot、做了多少 AI 图片、有多少 AI 项目，而应该关注以下 Business Outcome 指标。

真正能够证明 AI 价值的，应该是 Business Outcome，而不是「上线一个 AI 功能」。

未来 3—5 年最值得关注的九大趋势

对中国化妆品企业的战略启示：四个层次

从全球 138 个案例来看，中国企业下一阶段不应该把 AI 战略简单理解为「采购几个大模型账号」，真正值得投入的是四个层次。

化妆品行业正在进入「AI 原生研发」时代

回看过去十年：第一代 Beauty AI 解决的是看见——识别人脸、肤色、皱纹、斑点、毛孔；第二代解决的是理解——知道消费者需求，推荐合适的产品；第三代正在解决创造——发现原料、设计分子、生成配方、规划实验、预测安全、控制机器人、实现个性化生产；下一代则可能进一步解决自主探索——AI Scientist 不断提出「假设 → 实验 → 数据 → 新假设」。

因此，真正重要的问题已经不再是「化妆品企业要不要用 AI」，而是「AI 会进入化妆品价值链的多深？」。从本次 138 个公开可验证案例来看，答案已经非常明确：AI 正在从消费者体验层向研发层迁移；从营销工具向科学工具迁移；从推荐系统向生成系统迁移；从数字世界向实验室和工厂迁移；从辅助人类工作向与人类共同发现新知识迁移。

未来真正领先的 Beauty Tech 企业，很可能既不是传统意义上的化妆品公司，也不是单纯的 AI 公司——它们更像 Beauty + Biology + Chemistry + Data + AI + Robotics 共同形成的新型科技公司。化妆品行业正在经历的，不只是一次效率革命，更可能是一场产品创新方法论的重构。

关于全球化妆品 AI 应用的几个核心问题