AI 确实已经进入化妆品全链条：研发端用于配方组合筛选、稳定性与肤感预测，市场端用于趋势洞察；消费者最常接触的是“AI 测肤”——用图像识别估算肤色、斑点、毛孔、皱纹等指标。但要清醒：测肤是基于图像的估算，不是诊断，结果受光线、角度、设备与训练数据影响。个性化定制同样被宣称合规与监管规则约束。
研发端：AI 到底在替谁省时间
一篇 2025 年的综述梳理了 AI 进入乳化类化妆品（乳液、膏霜这类最常见剂型）产品设计的路径：从界面张力估算、液滴粒径分布建模、按皮肤适配性做配方选择，一直到包装设计，贯穿分子—微观—宏观的多尺度环节；作者认为它的价值在于减少实验轮次、加快把消费者相关的考量纳入配方（PMC · 乳化型化妆品的人工智能整合综述）。
同一篇综述也点明了瓶颈：乳化化妆品的高质量数据有限，而人体皮肤本身又是极复杂的建模对象。翻译成从业者语言就是——AI 擅长在已有数据里找规律、排优先级，但它替代不了“配方做出来后老老实实做的那批验证”。把模型预测当结论、把验证当流程，是这个行业目前最容易踩的坑。
AI 测肤：原理、误差与一个扎心的数字
原理并不神秘：摄像头取一张脸，算法在图像上定位五官与区域，再用训练好的模型去识别纹理、色斑、边界，输出肤色、斑点、毛孔、皱纹等维度的估算值。问题在于估算链路上每一环都会引入偏差：环境光与色温、拍摄角度、镜头干净程度、图像压缩，都会改变模型看到的东西。
数据锚点：一项研究使用一个肤色分布均衡的公开皮肤图像数据集，系统测评了多款面向消费者的 AI 识肤应用：整体准确率约 22%；在区分良性与恶性皮损时，平均敏感度约 46.57%、平均特异度约 72.06%；作者的结论是——这些应用不应作为独立的诊断工具使用。同一篇论文还提到，这类应用大多训练自肤色多样性不足的图像集（PMC · AI 识肤应用在多肤色图像集上的诊断准确率研究）。真实场景的误差同样存在：新华社在走访“量肤定制”时发现，不同柜台对同一张脸给出的肤质判断并不完全一致（新华网 · “量肤定制”能全面铺开吗）。
| 环节 | 可能的偏差 | 影响 |
|---|---|---|
| 采集 | 光线、角度、画质 | 同一张脸两次结果不同 |
| 算法 | 区域分割错误 | 指标归错部位 |
| 数据 | 训练样本覆盖不足 | 特定人群表现更差 |
| 解读 | 把估算当结论 | 过度焦虑或延误就医 |
整理自上述研究与调研报道。
合规边界、现实瓶颈与从业者机会
先划红线。我国现行法规明确禁止化妆品宣称明示或暗示具有医疗作用的内容，化妆品的作用限于清洁、护肤、美容、修饰等且作用温和；化妆品不是药品，不具有治疗皮肤疾病的功效（地方政府科普 · 正确认识化妆品功效）。所以 AI 测肤输出若停留在“偏干/建议保湿”这类护肤建议通常尚可，一旦给出涉及疾病判断的结论，就跨出了化妆品的边界。个性化服务在我国还有针对性要求：据新华网报道，国家药监局明确要求开展个性化服务的产品须为试点企业备案的普通化妆品、可全程追溯、不含儿童化妆品与眼部用化妆品及使用新原料的产品，试点企业须持生产许可证且近三年无质量安全处罚；同时行业已在推进标准建设，例如 2022 年发布的《化妆品个性化需求方案设计和研发操作指南》，以及 2023 年发布的首个 AI 测肤数据分析法团体标准（涵盖皱纹、痘痘、肤色、毛孔等维度）。
再说落地瓶颈与机会。除数据质量与可解释性外，真正的门槛是把“算法觉得有效”变成“法规认可的证据”。这对从业者意味着三类能力越来越值钱：读懂与清理数据的能力、设计可验证实验的能力，以及把 AI 输出翻译成合规宣称的能力。对消费者则只有一条：把 AI 结果当趋势参考，把持续的皮肤变化交给皮肤科。
要点总结
- 研发端：AI 缩短试错轮次，但替代不了上市前的实证验证。
- 测肤：是估算不是诊断，多款应用测评整体准确率仅约 22%。
- 误差：光线、设备与训练数据覆盖不足都会放大偏差。
- 红线：化妆品不得明示或暗示医疗作用，也不能替代药物。
- 机会：数据素养、实验设计与合规翻译能力，是从业者的护城河。
数据口径与来源说明
要点综合自：PMC 收录的 2025 年综述（AI 在乳化型化妆品多尺度设计中的应用与数据瓶颈）；PMC 收录的研究（多肤色图像集测评：整体准确率约 22%、敏感度约 46.57%、特异度约 72.06%，不应独立用于诊断）；新华网行业报道（实测不同柜台测肤结果不一致、个性化服务试点要求与团体标准建设）；政府科普页面（化妆品不得明示或暗示医疗作用、不得宣称治疗皮肤疾病）。证据等级：同行评议文献与综述、官方媒体行业报道、政府科普资料。本文为科普，不构成诊疗建议；AI 测肤结果不能作为医疗结论，皮肤出现持续或进展性问题请到皮肤科就诊。
