膚色色階圖：2026 完整指南

什麼是膚色色階圖？

膚色色階圖是一套標準化的視覺參考系統，將人類膚色沿著光到深的連續光譜進行分類，通常也會搭配底色分類（冷色調、暖色調或中性）。對消費者來說，這張圖解答那個經典難題：「到底哪一款粉底色號才適合我？」 現在，像 玩美移動 AI 膚色分析 這類 AI 驅動工具，可以即時給出答案——用即時膚色偵測和個人化推薦，完全取代瞎猜。

目前產業主要由兩大分類系統主導：Fitzpatrick 色階（1975 年的黃金標準）以及Monk Skin Tone（MST）色階（為 AI 而生的 2022 新標準）。對於在 2026 佈署 AI 膚質分析的品牌來說，搞懂這兩套系統非常關鍵。

主流膚色分類系統比較

不是每一張膚色色階圖都一樣。每套系統都是為不同目的而設計——當要為 AI 模型訓練選擇標準、或打造包容性的產品設計時，這些差異就很重要。

Fitzpatrick 色階（I–VI 型）：皮膚科的傳統標準

Fitzpatrick 色階由美國皮膚科醫師 Thomas B. Fitzpatrick 在 1975 年提出，最初目的是用來預估皮膚對紫外線的敏感度，而不是反映膚色多樣性。這套系統依照皮膚在日曬下的反應，將膚質分成六種光型：

Fitzpatrick 色階至今仍是臨床與研究情境中，最廣泛使用的皮膚光型評估工具。不過它明顯帶有歐洲中心視角：V 與 VI 型是在原本只聚焦白皮膚的四個類別之後，才「補上去」的。對 AI 訓練來說，這種偏斜會造成明顯的代表性缺口——尤其是對佔全球多數、膚色介於「棕色」和「深色」的消費者而言，在 Fitzpatrick 裡卻被壓縮成少數幾個、缺乏細節的類別。

Monk Skin Tone（MST）色階：AI 世代的新標準

2022 年，Google 攜手哈佛社會學家 Ellis Monk 博士，推出一套開源、10 階膚色色階，專門用來補足 Fitzpatrick 的不足。Monk Skin Tone 色階具備以下特色：

• 涵蓋 10 種明確色階（對比 Fitzpatrick 只有 6 階），在深膚色區間提供更細的解析度
• 將膚色與紫外線敏感度及種族拆開——測量的是視覺上的色素深淺，而非光反應度
• 已被美國國家衛生研究院（NIH）採用，整合進 Google AI 產品，並在 21,000+ 張、15 種光源條件下的圖片中完成驗證
• 採開放授權（CC BY 4.0），任何品牌或研究者都可免費使用

發表於《美國皮膚科醫學會期刊》的同儕評審研究證實，MST 在深膚色的表現，與光譜儀測量結果的吻合度，高於使用自填或醫師估計的 Fitzpatrick 分類。對導入 AI 的美妝品牌來說，這不只是多元平權的表態，更是效能問題：用 Fitzpatrick 標註資料訓練的 AI 模型，在深膚色族群上的表現，系統性偏弱。

Von Luschan 色階與 PERLA：小眾但值得關注

Von Luschan 色階（36 個色票）與 PERLA（為臨床皮膚科開發的色度系統）提供非常高的細緻度，但在商業美妝科技中極少被使用——因為它們太複雜，無法在大規模資料標註時維持一致性。對大多數品牌來說，2026 年的務實選擇是：臨床／法規端使用 Fitzpatrick，AI 與包容性產品開發則採用 Monk。

膚色 vs. 底色：為什麼兩者都重要？

膚色色階圖，描述的是表面看起來偏白、偏深。真正決定粉底、遮瑕或保養品擦起來「自然不突兀」的關鍵，往往是底色——也就是藏在肌膚表面之下、那一抹細微色調。

三大底色類別

• 冷色調：皮膚底層帶粉、紅或偏藍色調。通常銀飾更襯膚色，靜脈看起來偏藍或偏紫。
• 暖色調：帶金色、蜜桃或黃色調。金色飾品更好看，靜脈看起來偏綠。
• 中性／橄欖色調：冷暖色調較平衡。銀色、金色飾品都能駕馭。橄欖膚色可能帶一點偏綠或灰調，難以完全歸類到單一類別。

傳統 DIY 底色判斷法——看靜脈、看飾品、白紙對比——有參考價值，但準度不高。燈光不佳、殘留妝品，或本身底色就較難界定，都會大幅影響結果。這正是 AI 大顯身手的地方：透過一張自拍就分析成千上萬個色彩數據點，AI 底色偵測能把主觀猜測變成可量化、可放大的穩定推薦。

AI 如何取代傳統靜態膚色色階圖

不管是放在品牌官網上的膚色色卡，還是櫃上印刷海報，都有同一個硬傷：全靠顧客自我判斷。大家在螢光燈下對著色卡瞇眼，看哪個色塊比較像手腕色，再自己猜色號——結果常常失準。粉底色號買錯造成的退貨率，依然是彩妝零售裡最燒錢的問題之一。

AI 驅動的膚色偵測，徹底改寫這個流程。只要一支手機鏡頭或即時影像串流，現代 AI 系統就能：

• 在一秒內，完成 Fitzpatrick 或 Monk 色階上的膚色偵測
• 判斷冷、暖、中性底色，準度勝過人工肉眼評估
• 即時將 89,969+ 種膚色變化，精準對應到產品 SKU
• 進行 180° 臉部分區分析，考量臉上不同區域的色差
• 在不同種族、年齡、性別與多變光源條件下，維持穩定準確度

商業價值非常明確。玩美移動 AI 粉底色號分析器 在導入 M·A·C Cosmetics 首月，就帶來 200% 顧客互動成長——用秒配色取代手動試色摩擦，靠 AI 一鍵給出「確認過的」色號推薦。

AI 膚色偵測在實際流程中的樣子

顧客進入品牌網站或 App，點選「找我的粉底色號」。鏡頭啟動後，一秒內 AI 就完成膚色分析、判定 Fitzpatrick 類型、偵測底色，並給出三款最接近的粉底色號，還能直接線上試妝。沒有色卡、沒有問卷、沒有退貨。 玩美移動 AI 膚色分析 就是這樣的體驗——可做為電商網頁模組、行動 SDK 或店內互動裝置部署，完全不需額外硬體。

對品牌來說，後台一樣關鍵：每一次分析，都會產出整體顧客族群的膚色分布資料，協助以真實數據（而非主觀假設）做庫存規劃、產品開發決策與個人化行銷，讓每一步都踩在實際客群輪廓上。

包容性的膚色色階圖：為什麼「被看見」已是商業必須

美妝產業長期忽略深膚色族群，早已不只是道德問題，更是巨大市場缺口。2025 年，主打包容性色號配對的市場規模約為 1.63 億美元，成長動能來自那些不再只鎖定中間膚色、而是大幅拓展色號帶的新世代品牌。

對 AI 美妝科技來說，包容性從訓練資料就要開始做起。若模型主要是用淺膚色資料訓練，對深膚色顧客的推薦表現就會系統性偏差——轉換率下降、退貨變高，也直接傷害品牌在真正推動成長的族群中累積的口碑。

AI 開發轉向採用 Monk Skin Tone 色階，就是為了正面迎戰這個課題。藉由對深膚色提供更細緻的區分，MST 讓 AI 模型能在 Fitzpatrick V、VI 型原本被壓成兩格的區域，做出更多微調。對服務全球客群的品牌來說，一個能在所有膚色上維持 95% 準確度的模型，跟一個只在淺膚色準確的模型，中間差距就是：究竟是有一套可擴張的個人化引擎，還是一筆昂貴的技術負債。

膚色色階圖在全球市場中的角色

各國市場有各自的膚色分布與期待。只根據北美或歐洲人口校正的膚色分類系統，放到南亞、東亞、非洲或拉丁美洲，就會明顯失準。想打這些市場的品牌，需要的是用在地代表性資料訓練的 AI 模型，而不是把 1975 年 Fitzpatrick 的標準硬套到全世界。

打造品牌膚色策略：給 B2B 的框架

對導入 AI 膚質分析的美妝品牌、保養公司與醫美診所來說，一套完整的膚色策略包含三個互相牽動的關鍵決策：

1. 選定要採用的分類標準

對 2026 大多數品牌而言，實際做法是同時支援 Fitzpatrick 與 Monk。Fitzpatrick 在臨床與法規情境仍不可或缺（防曬 SPF 建議、光敏感指引、轉介皮膚科等），Monk 則是 AI 訓練資料、粉底色號配對與包容性產品開發的更佳選擇。兩者並不是互相競爭，而是在量測不同指標，頂尖平台會同時支援。

2. 用多元且有標註的資料訓練 AI

AI 膚色偵測的品質，完全取決於訓練資料。若模型只用不到 1 萬張圖片，或資料明顯偏向淺膚色族群，在相當大一部分顧客身上表現就會失衡。選擇 AI 方案時，應優先考慮能公開訓練資料多元性、驗證方式與跨族群準確率指標的供應商。

玩美移動 AI 肌膚分析是以超過 70,000 張醫療等級影像訓練而成，在不同膚色、膚質、年齡與性別族群中，達到 95% 測試－重測可靠度，並通過臨床驗證，與醫師評估結果有超過 80% 的相關性。

3. 把膚色資料融入整個產品生態

每一次的膚色偵測，遠不只產出一個粉底色號建議而已，它其實是一筆應該流入 CRM、庫存系統、推薦引擎與個人化邏輯的關鍵資料。若只把膚色分析當成一次性的客服功能使用，就會錯過後續最有價值的部分——長期個人化體驗與顧客留存經營。

膚色色階圖的應用場景：從粉底到保養

膚色分類絕不只用在粉底選色。放大到整個美妝與醫美類別，精準膚色偵測可以解鎖一整排具商業價值的應用：

玩美移動 AI 如何處理膚色分類

玩美移動 AI 膚色分析 整體流程分成三步：即時膚色偵測、個人化粉底推薦，以及虛擬試妝——全部只需要一次手機鏡頭臉部掃描。

在偵測階段，AI 深度學習演算法會對照 89,969 種膚色資料庫，分析完整膚色光譜，從極淺到極深都能做到細膩的連續分級，同時精準抓出從暖到冷的真實底色。為確保準確度，系統內建自動光源偵測演算法，當環境光過亮或過暗時會提醒使用者調整；再搭配臉部對位檢查，確認鏡頭距離與正面角度都在最佳範圍，最大程度降低陰影對膚色判讀的干擾。

一旦完成膚色偵測，AI 就會把結果映射到各品牌專屬的產品目錄，在即時畫面中找出最接近的粉底色號。顧客接著可以直接進行虛擬試妝，不只試「完美色號」，也能根據底色再試偏暖、偏冷的備選色號，實際看在臉與頸部的呈現。遮瑕度可調整，AR 效果同時支援霧面與光澤妝感。

這套流程打造出的，是一種把「試錯成本」完全移除的個人化試色體驗。方案可部署為電商網頁模組、行動 SDK、微信小程式或店內諮詢工具——輕鬆覆蓋所有關鍵零售接觸點。

常見問題：膚色色階圖

四種基本膚色是什麼？

在一般消費者美妝語境中，最常見的四大膚色分類是：白皙（fair）、偏白（light）、中等（medium）以及深色（deep／dark）。大致可對應到 Fitzpatrick I–II 型（白皙）、III 型（偏白到中等）、IV 型（中等到健康小麥）、以及 V–VI 型（深到很深）。實務上，專業等級 AI 系統會使用更細的切分——光是 Monk 色階就有 10 個色階——才能在完整膚色光譜上，做到真正精準的產品配對。

Fitzpatrick 色階是做什麼用的？

Fitzpatrick 色階一開始是為皮膚科紫外線光療劑量設計，幫助醫師決定安全的 UV 照光強度。現在則常被用在防曬產品建議、臨床研究、雷射治療參數設定，以及做為 AI 膚色分類的基準之一。這套六點量表雖然廣為人知，但也因過度偏向歐洲膚色、以及對深膚色不夠細緻而遭到批評。 

什麼是 Monk Skin Tone 色階？

Monk Skin Tone（MST）色階是一套 10 級、開源的膚色分類系統，由哈佛社會學家 Ellis Monk 博士設計，並由 Google 在 2022 年正式發表。這套系統的目標，是用比 Fitzpatrick 更公平、更完整的方式，呈現全球所有膚色光譜。目前已被 NIH 採用，也整合進多項 Google AI 產品，並在皮膚科同儕審查研究中被證實：在多元膚色資料標註上，表現優於 Fitzpatrick。

怎麼判斷自己的膚色底色？

DIY 最實用的方法，包含「看靜脈」：若靜脈偏藍／紫，多半是冷底色；偏綠則多半是暖底色；以及「看飾品」：冷底色通常銀飾更好看，暖底色則多是金色飾品更襯膚色。不過，這些方法都很吃燈光與主觀判斷。透過 AI 底色偵測，從即時畫面或上傳照片中抓出上千個色彩數據點，整體準確性與穩定度，都遠勝任何人工自我檢測。

AI 美妝工具使用哪種膚色色階？

領先的 AI 美妝平台通常會同時支援 Fitzpatrick 色階（用於臨床相關情境），並逐步導入 Monk Skin Tone 色階，作為訓練資料標註與包容性 AI 開發的核心。像 玩美移動 AI 膚色分析這類頂尖系統，可以偵測超過 89,000 種獨特膚色變化，並即時對應到標準化分類系統與各品牌自有產品目錄。

AI 膚色偵測有多準？

準確度高度依賴平台與訓練資料品質。玩美移動的臨床驗證顯示，在多元膚色族群中，AI 膚色偵測的測試－重測可靠度可達 95%，且與皮膚科醫師評估結果有超過 80% 的相關性。品牌在評估 AI 方案時，應主動索取的關鍵驗證指標包括：跨族群準確度拆分、訓練資料多元性說明，以及在不同光源條件下的測試－重測數據。

膚色會隨時間改變嗎？

表層膚色會隨著日曬、季節變化、曬黑或特定保養療程而改變。相較之下，底色大多在一生中維持穩定，因為它取決於較深層的黑色素分布型態。為長期互動而設計的 AI 膚質分析，應同時掌握這兩個層次——一方面追蹤表層膚色的變化，一方面將個人化邏輯錨定在更穩定的底色訊號上。