AI v hlubokomořských rybích farmách: co čekat

V roce 2020 už pocházela zhruba polovina všech ryb určených ke konzumaci z akvakultury. Je to jeden z největších posunů v potravinovém řetězci posledních dekád: moře přestává být jen „lov“, ale čím dál víc také „chov“. A s tím roste tlak na to, aby rybí farmy byly čistší, bezpečnější a předvídatelnější.

Jenže klasické pobřežní farmy mají pověst problému: paraziti (typicky rybí vši), antibiotika, lokální znečištění, úniky ryb do volné přírody. Část firem proto zkouší jiný směr: posunout chov dál od pobřeží a hlouběji do oceánu – a řídit ho podobně jako precizní zemědělství. Tady vstupuje na scénu umělá inteligence.

Do série „Umělá inteligence v zemědělství a potravinářství“ tenhle trend zapadá překvapivě dobře. Princip je stejný jako u polí: sběr dat, automatizace zásahů a optimalizace zdrojů. Jen místo hektarů řešíte proudy, vlny, kyslík ve vodě a chování hejna.

Proč se rybí farmy stěhují do hlubokého moře

Krátká odpověď: protože v otevřeném oceánu se některé problémy pobřežních farem řeší snáz – ale jen pokud máte dost dat a kontroly.

Pobřežní farmy fungují v relativně uzavřeném prostředí. To usnadňuje logistiku, ale zvyšuje riziko, že se v jedné lokalitě začne hromadit organický odpad, rozjede se nemoc nebo se paraziti přenesou na volně žijící populace. Kritici dlouhodobě upozorňují i na to, že lokální ekosystémy nesou koncentrovanou zátěž.

Hlubokomořský chov (mnoho kilometrů od břehu) staví na jednoduché myšlence: silnější proudění a větší objem vody mohou lépe rozptylovat zátěž a snižovat tlak chorob. Některé koncepty navíc umisťují zařízení nad hlubšími místy (v řádu tisíců stop), aby se minimalizoval dopad na pobřežní biotopy.

Jenže to má háček. V otevřeném moři není prostor na „ruční“ provoz. Pokud má farma fungovat ekonomicky, potřebuje:

• nepřetržité monitorování kvality vody,
• včasné varování před riziky (např. květy řas),
• přesné dávkování krmiva,
• predikci růstu a času výlovu,
• minimalizaci lidských zásahů.

A to je přesně balík úloh, kde AI a automatizace dávají smysl.

Jak AI reálně pomáhá: od krmení po čas výlovu

Krátká odpověď: AI v akvakultuře je hlavně o tom, aby se z chovu stal měřitelný, řiditelný proces – s menším odpadem a menšími výkyvy.

V praxi se dnes nejčastěji kombinuje několik vrstev technologií: senzory (kyslík, teplota, salinita), kamery, software pro řízení provozu a modely strojového učení.

Precizní krmení: nejrychlejší cesta k úsporám

Krmivo je u většiny chovů největší nákladová položka. Překrmování navíc zhoršuje kvalitu vody a zvyšuje ekologickou stopu. Dobře nastavené krmení je proto „low-hanging fruit“ – a AI je v tom silná.

AI modely umí brát vstupy jako:

• aktivita ryb (z videa),
• teplota a obsah kyslíku (ze senzorů),
• denní doba a proudění,
• historická data růstu.

A z toho řídit:

• kolik krmiva pustit,
• kdy krmit,
• zda krmení zastavit (když hejno přestane reagovat).

Výsledek je dvojí: méně odpadu a stabilnější růst. Z pohledu potravinářského řetězce to znamená předvídatelnější dodávky a menší rozptyl v kvalitě.

Biomasa z kamer: „vážení“ ryb bez stresu

V hlubokomořských systémech se často používají kamery a tzv. biomass software – tedy počítačové vidění, které odhaduje velikost a hmotnost ryb z obrazu.

Proč to řešit? Klasické vzorkování (lov pár kusů, měření) je:

• pracné,
• stresující pro ryby,
• statisticky omezené.

Počítačové vidění umožní sledovat růst průběžně a dělat lepší rozhodnutí o tom, kdy je nejlepší čas na výlov. U komerčních chovů to ovlivňuje i plánování kapacit zpracování a logistiky.

Řízení rizik: řasy, nemoc, extrémy počasí

Otevřené moře není „klidnější“ prostředí – je jen jiné. AI zde může fungovat jako vrstva včasného varování.

Typické scénáře:

• Květy řas (algae bloom): kombinace dat o teplotě, proudění, satelitních indikátorech a lokálních senzorech může dát provozovateli náskok v řádu hodin až dnů.
• Hypoxie (nízký kyslík): rychlá detekce z čidel + automatické zásahy (např. změna hloubky klece u některých systémů) může snížit ztráty.
• Změny chování hejna: videoanalytika umí zachytit anomálie dřív, než se projeví mortalita.

Tady mám jasný názor: bez kvalitní detekce a akčních protokolů je hlubokomořská farma hazard. S AI to může být naopak disciplinovaný provoz.

Příklad z praxe: model „farma daleko od břehu“

Krátká odpověď: některé firmy staví farmy, které jsou řízené na dálku – a člověk je spíš operátor systému než „chovatel na místě“.

Jedním z viditelných hráčů je Forever Oceans, firma navázaná na technologické know-how z obranného průmyslu. Koncept stojí na umístění klecí zhruba 10 mil od pobřeží, ve vodách nad hlubokými úseky, a na kotvení, které umožňuje zařízení přirozeně „pracovat“ s proudy.

Podstatné je, jak to celé řídí:

• senzory a kamery sledují kvalitu vody a chování ryb,
• software řízený AI upravuje krmné dávky a načasování,
• obrazová data se používají pro odhad biomasy a připravenosti k výlovu,
• provoz se dá spravovat z centrálního operačního centra na dálku.

Tahle „dálková správa“ je zajímavá i pro zemědělství: jde o stejný trend jako u flotil zemědělských strojů, které mají telemetrii a centrální dohled. V potravinářství to posouvá důraz od fyzické práce k práci s daty.

Kontroverze a slepá místa: AI nevyřeší všechno

Krátká odpověď: hlubokomořská akvakultura může část problémů pobřeží zmenšit, ale vytváří nové otázky kolem regulace, dopadů a odpovědnosti.

Zastánci říkají: proudy „odnášejí“ zátěž, voda se přirozeně obnovuje, nemocí je méně. Kritici odpovídají: to, že se něco rozptýlí, ještě neznamená, že to zmizelo – jen se to hůř měří a hůř vymáhá.

Navíc se objevují regulatorní spory. U některých projektů v USA došlo k právním výzvám vůči povolovacím procesům – argument je často podobný: nedostatečné posouzení dopadů.

AI tady může pomoct, ale jen pokud je součástí transparentního systému:

• standardizované reporty kvality vody,
• auditovatelné logy krmení a léčiv,
• monitoring úniků a interakcí s volně žijícími druhy,
• jasné prahy pro zásah (a co se stane, když systém selže).

Jedna věta, kterou bych dal na nástěnku každému provozovateli: „Automatizace bez governance je jen rychlejší cesta k problému.“

Co si z toho vzít pro „AI v zemědělství a potravinářství“

Krátká odpověď: hlubokomořské farmy jsou extrémní verze precizního zemědělství – a ukazují, kde AI přidává hodnotu nejrychleji.

Pokud pracujete v agri/food sektoru (i mimo ryby), tenhle trend je užitečný jako zrcadlo. Ukazuje, že největší přínos AI často nevzniká v „velkých vizích“, ale ve třech praktických vrstvách:

1. Sběr kvalitních dat (senzory, kamery, validace)
2. Rozhodovací automat (modely + pravidla + alarmy)
3. Provozní disciplína (procesy, lidská odpovědnost, audit)

Mini-checklist: kdy má AI v akvakultuře návratnost

Pokud hodnotíte AI projekt v akvakultuře (nebo podobném biologickém provozu), ptejte se na toto:

• Máme jasně definované KPI? (FCR, mortalita, variabilita velikosti, kvalita vody)
• Umíme měřit vstupy spolehlivě 24/7?
• Co se stane, když data vypadnou? (fallback režim)
• Kdo je „owner“ rozhodnutí: model, nebo člověk?
• Jak budeme dokazovat shodu s regulací a interními standardy?

Tahle otázka je často důležitější než výběr konkrétního modelu.

Kam to může jít v roce 2026: tři sázky, které dávají smysl

Krátká odpověď: čekejte větší tlak na měřitelnost dopadů, autonomii provozu a propojování dat napříč řetězcem.

Z konce roku 2025 je vidět, že potravinářství se posouvá k „důkazům“ – nejen tvrzením o udržitelnosti. U hlubokomořských farem to podle mě přinese tři konkrétní směry:

1. Digitální audit udržitelnosti – automatizované reporty a sledovatelnost (od krmiva po výlov), protože bez toho bude povolování i financování těžší.
2. Autonomnější farmy – méně zásahů člověka, ale více bezpečnostních vrstev (detekce anomálií, redundance senzorů, simulace rizik).
3. AI propojená s poptávkou – plánování výlovu podle reálné poptávky a cen, aby se snižovaly ztráty ve zpracování a logistice.

A teď ta nepříjemná část: pokud odvětví neukáže, že umí dopady měřit a řídit, regulace přijde zvenčí a bude tvrdší.

Co můžete udělat hned (a proč to dává smysl)

Hlubokomořské rybí farmy jsou pro Česko „daleko“, ale principy jsou univerzální. Pokud řešíte AI v zemědělství a potravinářství, vezměte si z toho dva praktické kroky:

• Začněte daty, ne modelem. Udělejte inventuru senzorů, datových děr a toho, co dnes měříte jen „od oka“.
• Vyberte jeden proces, kde je největší odpad. U ryb je to krmení; u vás to může být dávkování vstupů, plánování sklizně, chlazení, nebo třídění kvality.

Pokud chcete posunout provoz k preciznějšímu řízení, napište si nejdřív jednoduchou větu: „AI má u nás snížit X o Y % do Z měsíců.“ Bez toho se projekt snadno rozplyne.

Do dalšího dílu série se nabízí přímé pokračování: jak podobné principy (senzory + AI + automatizace) fungují ve skladech, zpracování potravin a řízení kvality. Protože hranice mezi „zemědělstvím“ a „potravinářstvím“ dnes stále víc vede přes data.