研发逻辑重构：从“广撒网”到“精准捕捞”
传统CRO模式往往通过“广撒网”筛选分子，导致成本高昂，如拜尔斯道夫的提安明多630和美白成分377，研发成本均达千万级。AI介入后，逻辑转变为“精准捕捞”，利用Lipinski和ADMET规则进行虚拟筛选，大幅降低CRO预算。美尚洁生物和MetaNovas等企业通过搭建AI平台，将研发过程中的数据反馈给模型进行迭代，实现了研发岗位的“蒸馏”，让AI具备了自主判断能力。
美尚洁生物利用AI重组蛋白定向设计平台，在巨子生物、锦波生物等龙头夹缝中突围；MetaNovas则通过AI设计出兼顾功效与落地要求的分子，其自主研发的“寡肽293”已完成医疗器械主文档备案。这些企业将生物信息学人才引入团队，处理输入数据并得出可指导研发的结论，使得研发工作的价值在内部被AI高效蒸馏。
天鹜科技利用自研蛋白质设计大模型，在海量数据上预训练后结合少量湿实验数据进行微调，精准预测能提升特定功能的突变点位。这种模式将过去需要数月甚至数年的多肽序列设计与优化过程大幅压缩。知情人士透露，在AI辅助下，某护肤品牌新一代成分的研发周期较以前缩短了约一半，试错成本显著降低。
产业链边界模糊：巨头入局与CRO转型
在应用落地层面，国际巨头如欧莱雅、资生堂已悄然布局，而国货品牌中，珀莱雅利用AI完成环肽163筛选用于红宝石系列，环亚集团筛选稀有人参皂苷CMx，知美集团则锁定补骨脂酚作为A醇替代品。随着MetaNovas等企业从单纯卖研发向“研发+原料”转型，以及欧易生物等CRO机构利用AI解析原料作用机理，产业链各方的边界正日益模糊。
品牌接入AI最直接的落点是“成分筛选”，过去这项工作主要外包给CRO。AI介入后，品牌先用AI模型进行虚拟筛选，再交给CRO研究。第十四章创始人梅鹤祥演示的AI模型，能通过Lipinski规则和ADMET规则筛选出符合要求的分子，从而降低化妆品企业的CRO研发预算。部分CRO机构如欧易生物，也开始利用AI辅助品牌解析原料“为什么有效”，用于B端科学传播。
尽管AI把筛选的“漏斗”上半段变窄，但下半段的湿实验验证依然是瓶颈。欧易生物研发与美丽健康创新中心负责人彭章晓指出，AI虽能加速研发，但物理端尚未完全跟上。目前，AI for Science服务商、原料厂、CRO机构在AI加持下正在形成新的分工，行业正从传统的“按工时收费”向“按销售分佣”探索。
云端与物理端的博弈：数据孤岛与人才重塑
尽管AI设计只需几小时甚至几天，但湿实验验证却需要几十人耗费几个月乃至几年，形成了“云端快、物理端慢”的鲜明对比。为了打破这一僵局，天鹜科技推出了支持自然语言对话的蛋白质设计智能体MatwingsVenus™，将Agent与自动化实验室绑定，让AI从云端向物理端拓展。
在需求端，品牌不仅需要原料创新，更要求安全与迅速落地。知美集团利用AI制药逻辑筛选已备案原料，如补骨脂酚，避免了新原料长达一年以上的备案周期。然而，数据孤岛成为训练专用AI的障碍，企业不愿共享核心数据，部分企业甚至缺乏前端研发数据，导致“无米之炊”的困境。
面对就业焦虑，知美集团CEO kami指出，单纯学习AI工具会过时，关键在于将AI视为伙伴，成为AI Native。当下AI迭代速度极快，研发与应用呈现冰火两重天的态势，但真正重要的是学会与AI的相处模式。随着行业对成分迭代速度要求加快，AI已成为美妆研发不可或缺的“第二大脑”。