數十億資本涌入AI原料，研發時間縮短10倍？

資本熱捧AI原料降本增效，但算法趨同下，“人感”才是品牌護城河。

作者| 傾 聞

編輯| 陳金艷

2026年開春，化妝品上游領域的融資動態格外熱鬧。3月，AI蛋白質設計公司天鶩科技完成超2億元A+輪融資，幾乎同期，AI分子設計公司MetaNovas連續完成A+、A++兩輪融資，投資方陣容中出現了袋鼠媽媽、高瓴資本、富華資本等身影。

將視線拉長，美妝網發現，AI生物技術公司正成為美妝產業鏈最吸金的標的。從2021年至今，未名拾光5年完成6輪融資，累計超億元，投資方包括歐萊雅、納愛斯；杉海創新累計融資6輪，華熙生物、歐萊雅相繼入局；MetaNovas在2024年至2026年初密集完成三輪融資。這些企業的共性在于，它們都不是傳統意義上的原料生產商，而是以AI算法、合成生物學、超分子技術為核心的“技術平臺型”公司。

當歐萊雅、高瓴、華熙生物紛紛下注，我們需要追問：資本狂熱追捧AI原料的邏輯究竟是什么？而當技術紅利被充分定價之后，美妝研發是否將面臨一場“去人化”的隱憂？

全球市場研究機構InsightAce Analytic預測，全球AI美容化妝品市場規模到2030年將達到133.4億美元，2021年至2030年的復合年增長率高達19.7%。另一家機構Research and Markets則給出更激進的判斷：AI在化妝品配方領域的市場規模將在2026年達到7.1億美元，并以22.5%的增速持續擴張。

高速增長的背后，是AI對傳統研發范式的顛覆。這本質上是一場關于“效率”和“確定性”的算賬。

圖源/網絡

首先是研發周期的數量級壓縮。以MetaNovas為例，其構建的千億級生物醫學知識圖譜平臺，將原料研發周期從數月縮短至數周，研發成功率提升至60%以上。天鶩科技的AI大模型AccelProtein?，能將蛋白質優化時長從2-5年壓縮至2-6個月，所需實驗數量從成千上萬個減少至約100個。未名拾光則憑借“AI+合成生物”雙引擎，將重組膠原蛋白的研發效率提升了至少5倍。

也就是說，傳統化妝品原料研發人員憑借經驗從成千上萬種分子中篩選，再經過提取、合成、功效驗證，一款新原料從實驗室到上市往往需要3-5年，而AI的介入正在將這一周期縮短10倍時間，至月為單位。

其次是研發成本的“結構性下降”。瑞德林通過AI優化發酵工藝，將產物濃度提升至380g/L，使肽類、糖類原料的生產成本降低50%以上。這意味著，過去因提取難度高、成本昂貴而無法商業化的活性分子，如今有了規模化落地的可能。

第三是研發邏輯的底層重構。錦波生物國際原料部總經理周大為曾指出，傳統模式依賴經驗推導與實驗試錯，創新天花板明顯；而AI驅動的新模式，通過整合“序列-結構-功能-應用”全鏈條數據，實現了“數據預測-高通量篩選-驗證”的閉環。這種從“試錯”到“智造”的躍遷，恰恰是資本眼中最具想象力的部分——它讓化妝品研發從一門依賴“老師傅手感”的手藝，變成一套可復制、可規模化的科學工程。

如果說初創公司是這場AI浪潮的沖鋒者，那么國際美妝巨頭則是在用真金白銀構筑自己的“技術護城河”。

近日，歐萊雅宣布與AI芯片巨頭英偉達擴大合作，將NVIDIA Alchemi機器學習平臺直接整合進研發創新體系，聯合打造美妝護膚AI引擎。雙方的目標是實現在原子尺度上預測分子的行為和相互作用，將發現過程提速100倍。

圖源/網絡

這并非歐萊雅第一次涉足AI研發。此前其已通過企業風險投資基金BOLD投資了美國生物技術公司Debut，后者憑借AI成分發現平臺“BeautyORB?”，將傳統需十萬年才能完成的分子探索縮短至約十個月內。

不只是歐萊雅，在國際巨頭中，包括雅詩蘭黛、聯合利華、資生堂等均已深入發力AI賽道，巨頭們的布局邏輯十分清晰：在功效護膚時代，原料是產品的“芯片”，誰掌握了更高效的原料研發能力，誰就能在下一階段的競爭中占據定義權。正因如此，歐萊雅不僅戰略投資了杉海創新，還與MetaNovas、未名拾光等多家AI原料公司建立合作，試圖通過外部創新生態的搭建，彌補內部研發瓶頸。

而從投資方的構成來看，這輪AI原料熱潮還呈現出鮮明的“產業資本+財務資本”雙輪驅動特征。納愛斯連續押注未名拾光，袋鼠媽媽參投MetaNovas，華熙生物布局杉海創新——頭部美妝企業正在將AI原料公司視為自己的“技術外掛”，通過資本綁定獲得優先合作權甚至獨家供應權。這種深度綁定的產投模式，進一步推高了優質標的的估值天花板。

回看這張融資圖表，超10億資金的流向揭示了一個清晰趨勢：資本押注的不是某個具體的原料爆款，而是AI對研發效率的底層重構。周期從數年壓縮至數月，成功率從試錯躍升至可預測，這筆賬確實算得過來。

但一位深耕美妝原料研發多年的從業者向美妝網表達了他的隱憂。在他看來，現在行業里大家都在用AI篩分子，使用的數據庫也高度重合，最后拿到的“最優解”很可能大同小異。當AI成為通用工具，效率拉平之后，產品的差異性就成了新的課題。

這并非否定AI的價值，而是追問效率之外的競爭維度。AI可以解決“怎么做更快”的問題，比如如何縮短周期、如何篩選分子、如何降低成本。但它無法回答一款原料應該服務于什么樣的膚感體驗，一個配方需要承載怎樣的品牌理解。

資本熱捧為行業換來了更高的效率起點，但起跑線拉平之后，真正的較量才剛剛開始。當技術工具趨于同質，那些無法被數據化的東西，比如研發團隊對膚感的極致打磨、配方師對用戶需求的深度理解，或許才是品牌穿越周期的真正籌碼。