综述：人工智能驱动化妆品行业可持续创新：产品配方与包装领域的机遇综述

《Cleaner Production Letters》：Artificial Intelligence for Sustainable Innovation in the Cosmetics Industry: A Review of Opportunities in Product Formulation and Packaging

　　

当前人工智能（Artificial Intelligence, AI）在化妆品行业的融合主要聚焦于个性化服务、营销优化及供应链提效，但其在推动产品开发与包装环节可持续创新方面的潜力尚未得到充分挖掘。现有研究亦普遍未充分纳入产业创新与基础设施（SDG9）、负责任消费与生产（SDG12）、气候行动（SDG13）等相关可持续发展目标（Sustainable Development Goals, SDGs）。本综述系统梳理了AI在可持续产品配方、包装、品牌与标签领域的现有及新兴应用，剖析了关键实践与理论局限，并指明了释放AI赋能化妆品行业可持续发展的未来研究方向。本研究旨在通过将SDG9、SDG12与SDG13明确嵌入研究框架，阐明AI赋能的创新如何依托可持续产业发展、负责任生产与气候行动支撑SDGs实现。研究采用PRISMA方法与元分析技术，综合了51篇同行评审文献的结论。本综述的原创性在于其跨学科视角：通过整合资源基础观（Resource Based View, RBV）以获取竞争优势、创新扩散理论（Innovation Diffusion Theory, IDT）以促进创新采纳与传播、创新系统（Innovation Systems, IS）理论以依托协作网络推动可持续创新，构建了多维研究框架与可落地的SDGs导向成果路径，并提出了具体的未来研究议程。该综合性研究框架系统映射了生成式AI（Generative AI）、强化学习（Reinforcement Learning, RL）等新兴AI技术如何战略性地融入可持续产品开发的全流程——从配方、包装到品牌建设，以加速向可持续经济转型。结论表明，AI在推动SDG9、SDG12与SDG13落地中发挥着关键作用，三者共同构成了可持续未来的核心支柱。通过厘清AI在加速生态创新中的角色并提出具体局限，本综述既丰富了学术话语体系，也为美妆行业的可持续实践推进提供了实质支撑。

1. 1.
   引言
   1.1 研究背景
   人工智能已在全球范围内助力各行业简化流程、优化决策并最大化资源利用效率，从金融到医疗领域，其预测能力与数据驱动洞察已重塑产品开发、客户交互与运营效率模式。在个护美妆领域，AI已被广泛用于消费者偏好分析、购买行为预测与营销效能提升，虚拟试妆、聊天机器人与个性化护肤方案等技术已深刻改变了品牌与消费者的交互方式。尽管AI在消费者互动层面已取得显著成效，化妆品行业仍未充分释放AI在绿色产品创新层面的变革潜力，这构成了关键的研究缺口：传统研发流程仍显迟缓且资源密集，难以匹配配方、包装与品牌建设中迫切的可持续转型需求。化妆品绿色产品创新是指生产对环境影响最小的环境友好型产品，涵盖可持续原料选用、可降解包装与低碳制造工艺。随着消费者环境意识提升，品牌面临日益增大的压力，需设计出既符合监管要求又满足市场需求的可持续产品，但传统绿色创新研发往往耗时漫长、依赖大量人工测试且成本高昂。AI为此提供了加速路径，可通过处理海量数据、优化材料组合与预测环境影响，例如对数千种植物与合成化合物进行评分，筛选兼具性能与环保属性的绿色替代成分。欧莱雅与宝洁等企业已在利用机器学习算法进行配方开发，在分子层面预测不同成分的交互作用，减少物理原型制作带来的时间与浪费。除配方外，AI还能革新品牌与设计的底层逻辑，将可持续性嵌入最终产品本身。传统标识、包装与标签设计多基于美学吸引力与营销目标，忽视环境因素，而AI驱动的设计优化工具现已可在平衡品牌形象与可持续性目标的前提下生成方案，例如生成式设计算法可评估多种标识变体，推荐油墨用量少或可印刷于再生材料的方案，既减少浪费又契合品牌可持续立场。针对塑料包装痛点，AI可分析生物降解聚合物、植物基塑料与可回收铝材的属性，丝芙兰与雅诗兰黛等企业已尝试利用AI驱动的材料科学开发兼具耐用性、美观度与传统包装相当的新型可持续材料，同时AI还可模拟分析新包装材料的生物降解性与生命周期影响，确保不损害生态系统。此外，AI驱动的供应链分析可提升绿色化妆品生产与分销效率，监控生产线能效、识别节水、节能与原料减废路径，同时基于历史供应链数据预测瓶颈与低效环节，优化可持续原料的订购与运输碳效率，兼顾道德采购与物流减排。AI还可依托全球美妆趋势预测下一代可持续创新方向，如无水产品、可替换护肤系统与升级回收成分配方，通过趋势分析帮助品牌预判市场转向，确保可持续性兼具商业可行性。AI在化妆品及其他行业的可持续创新可按规则系统、机器学习（Machine Learning, ML）与深度学习（Deep Learning, DL）分层定位，分别支撑从配方、包装到品牌建设的价值链各环节。
   1.2 人工智能方法的概念基础
   人工智能作为总括概念涵盖规则系统、机器学习与深度学习三类范式，这种分类不仅是概念划分，更能阐明不同AI范式在可解释性、可扩展性、计算成本与部署可行性上的差异化权衡，而效率增益、预测精度与运营韧性均依赖于底层范式选择。规则型AI属于早期符号主义方法，基于显性专家逻辑构建，工业诊断研究中将其描述为依赖手工规则的传统故障检测框架，虽支持透明度但在处理变异性与规模化场景时存在局限，适用于领域知识稳定的场景，在需要自适应模式识别时正逐渐被学习型方法取代。在配方环节，规则系统可执行法规要求，排除有害成分组合并确保符合化妆品监管规范；在面向消费者的营销与品牌交互中，聊天机器人与推荐逻辑可依托预定义流程按肤质、可持续声明或素食等伦理偏好筛选产品，提供透明但相对刚性的决策支持。机器学习通过从结构化数据中自动提取模式扩展了AI能力，跨医疗与农业领域的综述表明其相比纯规则系统在分类与预测精度上均有提升，可减少对人工的依赖并提升决策一致性。机器学习方法从历史数据中学习以优化性能、安全性与目标匹配，而非仅依赖预定义规则。在配方中，监督式ML模型可从理化描述符预测质地、保质期与皮肤致敏风险，实现虚拟筛选，减少实验浪费并支撑可持续成分组合开发；ML算法还可预测生物基材料的阻隔与机械性能；在品牌传播中，ML支持对生态意识消费者细分，并基于信任度、透明度与购买意愿推送个性化优惠；作为ML核心分支的强化学习（Reinforcement Learning, RL）还可通过分析运维数据优化决策，最小化故障并延长产品寿命。深度学习作为机器学习的子集，以多层神经网络为特征，被反复证实为高维数据（图像、信号、传感器流）建模的重大突破，医疗与工业综述记录了从传统ML向DL架构的转向，后者能以更高精度建模复杂模式。深度学习尤其是卷积神经网络（Convolutional Neural Networks, CNNs）已被探索用于活性包装应用；跨行业证据进一步显示AI方法与可持续导向创新的契合度：农业综述强调AI驱动病害管理以保障作物产量与粮食安全，包装研究凸显AI在智能可持续材料系统中的集成，关联预测建模与生命周期优化；化妆品领域配方研究则表明预测性AI模型可支撑安全性与耐受性优化，同时伦理分析警示需防范面向消费者的系统中偏见传播。此外，基于卷积深度模型的DL可分析高分辨率皮肤图像，评估皱纹、敏感性、色素沉着与干燥度，再匹配低影响个性化配方，减少试错性购买及相关包装浪费；大语言模型（Large Language Models, LLMs）如ChatGPT作为生成式DL系统，可协同创作营销内容、自动化消费者沟通并支撑环保产品概念构思。总体而言，规则型AI、ML与DL的结构化分类为解读AI如何跨行业支撑效率、可靠性与创新提供了必要框架，该分类阐明了支撑可持续AI部署的技术机制与社会考量，包括化妆品这类配方与包装驱动型产业。尽管上述应用前景广阔，AI对绿色或可持续产品创新的贡献仍有待深化。迄今化妆品领域的多数AI研究与产业应用聚焦于消费者购买行为，而非产品本身的实质升级，且现有研究大多仅采用单一或零理论视角支撑结论，这构成了巨大机会——AI的真正力量不在于预测消费者会买什么，而在于开发消费者想要且可持续的产品。
   1.3 问题陈述
   化妆品行业部署AI日益侧重于分析客户行为而非开发新产品。现有研究多关注AI如何预测消费者偏好、解析购买意图与优化营销策略，而AI在可持续产品开发中的作用才刚刚开始被揭示。已有研究探讨了AI如何识别消费者对可持续美妆的需求，但在AI如何构思、优化与完善可持续配方、环保包装及可持续品牌策略层面仍存在显著研究缺口。若无相关探索，AI将无法成为解决美妆行业关键可持续挑战的工具，而该行业典型研发流程仍显迟缓、高耗且昂贵。意识到这一缺口后，亟需通过系统性文献综述弥合差距，为化妆品行业AI驱动的可持续发展提供研究框架。本综述综合现有知识、识别关键缺口，并通过现有研究未有的三角验证理论视角构建结构化研究议程。通过整合AI、可持续性与化妆品研发的交叉洞见，可提炼出释放AI驱动配方、包装与品牌优化潜力的实践路径。若缺乏此类工作，化妆品行业可能持续将AI局限于营销用途，错失实现实质性可持续变革的关键机遇。遵循PRISMA指南，本综述旨在探究两个核心方向：一是化妆品行业中AI在可持续产品配方、包装与品牌建设领域的当前及新兴应用；二是阻碍AI可持续潜力释放的关键实践与理论局限，以及所需的未来研究。
   1.4 研究问题
   基于上述目标，本综述由三个研究问题（Research Questions, RQs）引导：RQ1探讨AI作为一种动态能力，如何应用于提升化妆品行业可持续配方与制造水平，进而构建可持续竞争优势；RQ2聚焦AI作为技术创新系统的核心组件，可在环保包装设计与减废中发挥何种作用；RQ3分析AI如何依托理论透镜优化品牌与标签，确保全生命周期与可持续目标的整体对齐。
2. 2.
   文献综述与方法
   2.1 检索策略
   本研究采用系统性文献综述方法，考察AI在个护化妆品行业绿色产品创新中的作用。检索覆盖Scopus与Web of Science（WoS）两大综合学术数据库以确保多学科来源覆盖，并组合使用AI相关、可持续性相关与行业特定关键词，AI类关键词包括“人工智能”“机器学习”“深度学习”“AI驱动优化”；可持续性类术语聚焦“绿色产品创新”“可持续配方”“环保包装”“环境可持续性”“循环经济”；行业特定术语涵盖“化妆品行业”“个护产品”“美妆产品创新”“可降解材料”。检索采用布尔运算符（AND、OR）提升精度，严格遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南执行，确保方法可复现。除传统综述合成外，还使用RStudio（4.5.2版）作为文献计量工具生成关键词共现网络可视化与主题演化图谱，量化呈现研究趋势与合作网络。
   2.2 研究筛选
   研究筛选分三阶段执行以确保准确性、可靠性与相关性。首先从Scopus与WoS导出的所有文献导入Excel并手动去重，随后进入标题与摘要筛查阶段，剔除未明确讨论AI驱动产品开发生态可持续性的文献，排除缺乏实证依据、对AI可持续作用结论模糊或仅聚焦通用AI感知而未涉及可持续配方、环保包装与品牌优化的研究。最后对剩余文献进行全文审查，评估方法论严谨性与主题相关性。全程记录PRISMA流程图以透明呈现检索、筛查、排除与纳入的文献数量。最终数据集涵盖了化妆品行业AI驱动可持续创新的最相关研究成果，两名独立评审员通过Cohen’s Kappa系数检验筛选过程的评分者间信度，标题/摘要筛查阶段的Kappa值为0.84，达到极强一致性，通过共识机制消解分歧。纳入研究最终归类为三大主题领域：化妆品可持续配方中的AI应用、AI驱动可降解包装优化、AI在绿色品牌与标签策略中的作用。
   2.3 质量评价
   质量评估遵循批判性评估技能计划（Critical Appraisal Skills Programme, CASP），从研究目标清晰度、方法适切性、数据严谨性、偏倚控制、分析稳健性、适用性六个维度展开，最终得分转换为描述性质量评级：≥80%为高质量，60%–79%为中等质量，<60%为低质量，低质量研究予以排除以确保结论可靠性。评价结果显示，纳入文献整体质量较高，多数研究满足核心标准，偏倚风险可控。
   2.4 数据提取与合成
   2.4.1 元分析
   期刊与发表分析显示，92%的AI赋能化妆品绿色产品创新相关研究发表于Q1分区期刊，印证了AI作为可持续美妆核心要素的学术认知正在快速形成，相关成果集中发表于《Technology in Society》《Cosmetics》《Journal of Environmental Management》等高影响力交叉学科期刊。关键词共现分析识别出核心主题群：“人工智能”“可持续性”“机器学习”“产品设计”“环境”“优化”“可持续发展”“化妆品”“生成式AI”“自然语言处理”“购买意愿”“态度”“消费者行为”“废弃物管理”“数字技术”“纳米技术”“系统性文献综述”等，反映出行业正转向AI驱动的可持续解决方案以优化产品全生命周期管理、降低环境影响并优化生物基配方。主题地图进一步凸显AI在可持续发展、产品设计、风险评估、计算机辅助分子设计、化妆品AI与可持续性融合中的日益广泛应用。三大核心聚类与研究主题高度吻合：其一为AI驱动可持续配方（含“可持续发展”“纳米技术”“产品设计”等术语）；其二为可降解包装优化（含“可持续性”“废弃物管理”“优化”等术语）；其三为绿色品牌与标签（含“消费者行为”“购买意愿”等术语）。主题分析进一步显示，AI驱动可持续配方以18篇文献成为最活跃主题，凸显AI在环保成分筛选、属性预测与生物基配方设计中的关键作用；AI驱动包装优化与AI驱动绿色品牌及标签各有11篇文献，前者聚焦可降解材料、AI辅助生命周期评估与材料优化，后者侧重消费者行为分析、生态标签核验与自动化品牌策略；理论整合相关研究同样有11篇文献支撑，表明学界正着力夯实概念与分析框架。年度趋势分析显示，2014至2018年相关研究产出极少且零散，每年仅1–3篇，多聚焦消费者购买意愿与AI早期探索性应用；2019年增至8篇，反映对AI驱动绿色消费者行为、可持续包装与生态产品设计的兴趣上升；2020年因外部扰动回落至1篇，2021年回升至6篇；2022年起持续上行，2022年5篇、2023年6篇、2024年达峰值11篇，2025年已收录7篇，整体印证学界与产业界对AI赋能美妆可持续创新的认可度持续提升。
   2.4.2 理论透镜
   理论框架选择对理解AI如何影响可持续产品开发至关重要。资源基础观（Resource-Based View, RBV）已成为生态友好创新的主导理论，主张AI技术可帮助企业构建独特且不可替代的资源（如可持续配方与环保方案），进而获取竞争优势。RBV假设企业通过掌控有价值、稀缺、难以模仿且不可替代的内部资源实现可持续竞争优势，因此有助于企业利用独特资源与能力推动创新，在动态市场环境中保持灵活性。但RBV倾向于忽略驱动环境与社会实践采纳的制度与监管压力，因此许多可持续性研究会搭配其他理论共同使用。为拓宽理论视野，本研究同时纳入创新扩散理论（Innovation Diffusion Theory, IDT）与创新系统（Innovation Systems, IS）视角。IDT阐释了相对优势、兼容性、复杂性、可试性等创新特征如何影响组织内AI采纳速率，对理解社会系统与网络如何支撑绿色产品与工艺创新扩散具有重要意义，可帮助识别IDT关键属性，助力拥抱AI的组织超越竞争对手，补充RBV对竞争优势的关注——不仅解释竞争资源的创造，也阐明这些资源的实际落地路径。IS框架则探讨技术创新在绿色产品与工艺创新中的作用，强调贡献于可持续性与竞争优势的系统创新过程，解释创新如何在行动者、制度与政策框架的互联网络中发生，聚焦创新系统的绿色化转型以应对环境挑战。三者结合为AI驱动可持续产品创新提供了更丰富的洞见。为进一步强化理论整合，研究还引入治理透镜，聚焦负责任AI（Responsible AI, RAI）原则：针对AI驱动的毒理学模型，RAI要求具备透明度与可解释性（Explainable AI, XAI），确保监管机构在授予生态标签核验前可追溯数据归因并理解成分安全性预测。恰当设计的AI监管并非约束，而是真正更绿色产品的创新赋能器，通过建立数据与算法伦理设计的清晰标准，培育品牌投资先进AI工具的必要信任与合法性，提升绿色结果的可追溯性与可验证性，限制无依据可持续声明的空间，减少漂绿风险。
3. 3.
   研究发现与讨论
   3.1 AI在化妆品可持续配方中的应用（RQ1）
   AI已在可持续配方开发、成分筛选与环境影响削减层面取得重大进展。AI驱动的计算建模、机器学习与大数据分析提升了从化石基向生物基配方转型的效率与可持续性，AI辅助的案例推理（Case-Based Reasoning, CBR）配方设计可借鉴过往成功配方优化成分组合，减少浪费并提升生产效率，兼具低成本、一致性与可持续性优势。除成分组合外，基于AI的智能产品服务系统（Smart Product Service Systems, PSS）可依托消费者反馈、环境条件与皮肤特征实时调整配方；AI驱动的分子模拟提升了纳米化妆品与纳米泡沫的稳定性、递送效率与功效；AI还通过提升反应效率、生物转化过程与提取方法的优化，增强生物基材料利用效率，推动更具经济性与环境友好性的配方开发。在稳定性监测层面，AI传感器可实时追踪生物基成分的抗氧化稳定性，确保产品性能一致性；AI驱动毒理学模型可预测原料的毒性、致敏性与环境持久性，减少对非理想合成化学品的依赖，推动行业向更绿色安全的替代品转型；此外，AI驱动的计算模型可精准预测化妆品成分的致敏潜力，以机器学习替代传统动物测试，实现更快捷、伦理且具成本效益的安全性评估。另有研究探讨了COSMO-RS在化妆品配方溶剂筛选中的应用，通过预测热力学减少实验溶剂使用，并指出AI