不少人怀疑，今年的诺奖“偷懒”了。

除了备受关注的诺贝尔生理学或医学奖“MicroRNA”相关研究外，今年诺贝尔化学奖、物理学奖均被AI相关研究拿下：

2024年诺贝尔化学奖授予华盛顿大学的大卫·贝克，以表彰其在蛋白质设计方面的贡献，另一半则共同授予谷歌旗下人工智能公司DeepMind（深度思维）的戴米斯·哈萨比斯和约翰·江珀，针对结合AI（人工智能）模型对蛋白质结构预测领域的研究。

而今年的诺贝尔物理学奖，则被授予约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton），以表彰他们“在实现使用人工神经网络进行机器学习”方面的基础性发现和发明。

逢AI必获奖，诺奖看似在躺平式“响应”AI这一时代主题，但并非诺奖评委有意“怠工”，而是恰恰说明AI早已渗透到了最前沿的科研领域，甚至能起到关键革新作用。

正如此次获奖的DeepMind开发的AlphaFold（阿尔法折叠）大模型，早已在医药和美妆使用的蛋白（肽）类成分的开发中起到关键作用。

但AI在美妆科研端的应用，又何止一个AlphaFold。

在过去，AI在美妆行业的应用大多都在台前。

比如欧莱雅集团用BeautyGenius为消费者测肤并进行个性化推荐，采用CREAITECH生产内容；而雅诗兰黛与微软合作AI innovation Lab主要用于增强消费者与旗下品牌的关联；宝洁早已开始用AI进行消费者行为分析，深度辅助市场决策和供应链管理。

值得一提的还有，作为迪奥、资生堂等397家知名品牌的AI测肤SaaS解决方案供应商，美图宜肤将AI应用到基础研究领域，通过AI对43万名参与者皮肤状态进行研究。该研究利用全景式AI测肤系统美图宜肤识别皱纹发展和严重程度的关键拐点，发现了不同年龄层的衰老“拐点”，将深度学习技术应用于衰老检测，建立皮肤维度测量标准，并探索影响皮肤特征的靶点，并参与制定、发布了《⼈体⽪肤分龄抗衰⽼评价标准表》团体标准。

显然，在美妆科研的大幕后，AI早已开始发光发热，尤其是今年获得诺奖的Deepmind，结结实实地“踩”到了美妆科研的腹地。

据了解，AlphaFold已预测出约100万个物种的超过2亿种蛋白质结构，几乎涵盖科学界已编录的每一种蛋白质。这意味着，曾因氨基酸排列组合以及折叠方式带来“维数灾难”的蛋白、肽类成分开发，在AI大模型AlphaFold的筛选之下，可以从“大海捞针”变成了“定向预测”。

如果将开发一个肽类成分比作买彩票，AlphaFold大模型类似于将过往所有彩票数字组合（氨基酸组合）和中奖结果（功效）进行统计，并建立一套准确的算法。当科研人员需要某种目标功效（特定中奖结果）时，可以让AlphaFold预测出目标蛋白、肽类分子的结构（新一期的数字组合）。

科研人员不用再一次一次实验测试各种功能蛋白、肽类成分的湿实验模式（买很多彩票），而是先测算出结果（干实验），再通过一次“湿实验”（买一张彩票）验证结果是否达到预期的结果（中奖）。

在抗衰需求推动的肽类成分盛行的当下，AlphaFold将过去难度和成本极高的功能蛋白、肽类成分科研工作，变得成本、时间可控，且准确率更高。

相关资料显示，通过AlphaFold预测的蛋白质结构与科学家之前通过实验揭示的结果几乎一致（约90%）时，《科学》杂志甚至评论，人工智能技术让人类无需实验即可了解蛋白质结构。

据第十四章品牌创始人梅鹤祥介绍，在新药物开发领域，AI的介入可以降低20%的研发成本，提升20%命中率，并缩短20%研发周期。在美妆科研领域，AI大模型的应用可以让环肽一类 “英雄（Hero）成分”的科研至少降低一半开发成本，缩短3-5年的研发周期。

更重要的是，AI技术的介入，正在改变美妆科研的逻辑：过去的科研是通过不断用湿实验试错，从而找到最正确的解决方案。而现在的逻辑已经变先给到想要的结果，让AI预测（干实验），然后用湿实验验证正确性。

可以说，AI作为一种高效的统计学工具，在众多变量组合中高效且准确地找到最好的解决方案，极大降低了科研过程中的试错成本（时间、精力、资源）。

例如过去青蒿素的发现过程中，需要在青蒿提取物里10000多个有效成分不断分离，进行试验的验证，通过10余年的时间，投入大量的人力物力，才找到最终的青蒿素分子，而现在AI技术的应用，可以提升开发效率。

而现在，上海家化在青蒿素成分在美妆成分应用时，采用AI网络药理学技术对从青蒿提取物的153种成分、1080个活性靶点中，找到了64个舒缓相关蛋白，对应88个成分，涉及调控炎症相关的蛋白，加速完成了其在美妆行业应用的科研进程。

事实上，AI大模型的应用，在美妆科研领域的应用模式远不止于肽类成分的开发，梅鹤祥表示，在类似新药开发完整过程的ADMET各不同流程的研究，均已融合相关的人工智能技术。

而相关的AI工具，可以应用到美妆科研的方方面面。

这门通过计算机科技解决生物技术问题的学科，被统称为计算生物学（Computational Biology，指开发和应用数据分析及理论的方法、数学建模、计算机仿真技术等，用于生物学、行为学和社会群体系统的研究的一门学科）。

近年AI领域的技术大爆发和算力暴涨，以及各种大模型的应用，让计算生物学加速走向科研舞台。其中，基因序列比较、基因表达模式的分析到全基因组关联研究等，蛋白开发都是计算生物学的具体应用。

与此同时，在近年十分热门的合成生物领域，AI与计算信息学、生物信息学在发酵工程中的跨领域运用，也能大大优化发酵前期的菌种筛选、发酵过程的优化放大和发酵产物与护肤功效之间的精准匹配，有效提升了美妆功效成分的开发效率。

可见，AI已经被应用几乎所有最前沿的到美妆科研领域中。而AI能助力美妆科研踩中诺奖科技也就习以为常了。