AI v hlubokomořských rybích farmách: co funguje

V roce 2020 pocházela zhruba polovina všech ryb určených ke konzumaci z akvakultury, zatímco v 90. letech to bylo asi 20 %. Tenhle posun není jen „víc ryb z farem“. Je to tlak na celý potravinový systém: jak dodat stabilní množství bílkovin, když se divoké populace ryb dlouhodobě dostávají pod stres a zároveň roste poptávka.

Jenže klasické pobřežní farmy mají pověst problémového souseda. Paraziti, chemie, úniky ryb, lokální zátěž vody. A právě tady se začíná objevovat zajímavá myšlenka: posunout chovy dál od pobřeží – do otevřeného oceánu – a řídit je pomocí senzorů, automatizace a umělé inteligence.

V rámci naší série Umělá inteligence v zemědělství a potravinářství beru hlubokomořské farmy jako praktickou „laboratoř v terénu“: pokud AI zvládne řídit chov ryb desítky kilometrů od břehu, zvládne i spoustu věcí v živočišné výrobě na souši. A zároveň to ukazuje, kde jsou limity.

Proč se akvakultura tlačí na volné moře

Krátká odpověď: protože pobřeží je přeplněné, regulace přitvrzuje a lokální dopady jsou viditelné – otevřené moře slibuje víc prostoru a lepší „ředění“ zátěže.

Pobřežní akvakultura historicky vyrostla tam, kde to bylo logisticky jednoduché: blízko přístavů, lidí, zpracování. Jenže právě blízkost pobřeží je i slabina. V mělkých, klidnějších vodách se snadněji hromadí organická zátěž a v některých lokalitách se opakují problémy typu:

• paraziti (typicky rybí vši u lososů),
• použití antibiotik a chemických přípravků (ne vždy, ale reputačně to bolí),
• koncentrace výkalů a zbytků krmiva pod klecemi,
• úniky ryb a riziko křížení s volně žijícími populacemi.

Hlubokomořské (offshore) farmy staví na jednoduchém argumentu: silnější proudění a větší hloubka pomáhají rozptýlit lokální dopady a zároveň mohou snižovat tlak nemocí. Jenže oceán není rybník – je to prostředí s vysokou nejistotou. A tady se dostává ke slovu AI.

Co přesně dělá AI na hlubokomořské farmě

Krátká odpověď: AI dává smysl tam, kde je potřeba nepřetržité rozhodování na základě dat – krmení, zdraví ryb, biomasa a rizika prostředí.

Jedním z nejcitovanějších příkladů je koncept, který prosazuje společnost Forever Oceans: chovné systémy umístěné míle od pobřeží, monitorované kamerami a senzory, s „AI řízením“ krmení a provozu a s centrálním dohledem na dálku.

1) Predikce biomasy a „čas sklizně“

V chovu ryb je biomasa víc než jen číslo. Je to základ pro:

• plánování sklizně,
• smlouvy se zpracovateli,
• nákup krmiva,
• cashflow.

AI systémy běžně využívají počítačové vidění z podvodních kamer: z videa odhadují velikostní distribuci ryb, tempo růstu a z toho odvozují aktuální biomasu. V praxi jde o kombinaci modelů pro detekci objektů, odhad délky/šířky, kalibraci podle vzdálenosti a následné přepočty.

Důležité je, že offshore farma bez dobrého odhadu biomasy riskuje dvojí průšvih: buď sklízí pozdě (zbytečné náklady a rizika), nebo brzy (nižší výtěžnost).

2) Precizní krmení: méně odpadu, stabilnější růst

Krmení je obvykle největší provozní položka v akvakultuře. A také hlavní zdroj zbytků, které končí ve vodě.

AI tady dává přímý ekonomický i environmentální smysl: modely vyhodnocují chování ryb (rychlost záběru, shlukování, aktivita), kombinují to s parametry vody (teplota, kyslík, proudění) a upravují:

• množství krmiva,
• časování dávek,
• případně i typ krmiva podle fáze růstu.

Jedna věta, kterou si z toho beru: „Nejčistší farma je ta, která nevykrmí do vody ani kilo navíc.“

3) Včasné varování: kyslík, řasy, stres

Offshore farmy často argumentují tím, že dál od pobřeží je voda „čistší“. Jenže rizika se jen mění:

• kolísání rozpuštěného kyslíku,
• epizody květů řas,
• extrémní počasí a vlnění,
• mechanické zatížení infrastruktury.

AI může fungovat jako systém včasného varování: detekuje odchylky v datech (anomaly detection), propojí více signálů a doporučí zásah (např. úpravu krmení, změnu hloubky klece, operativní plán pro personál).

U offshore konceptů je navíc zásadní, že zásah není „za 10 minut jsme u klece“. Někdy je to hodiny, jindy den. Proto má predikce a automatizace mnohem vyšší hodnotu než u pobřežních provozů.

4) Dálkové řízení a „farmář přes notebook“

Myšlenka, že jeden člověk monitoruje globální síť farem, zní přitažlivě. Realita? Částečně to funguje – ale jen tehdy, když je systém navržený na:

• robustní telemetrii,
• standardizované postupy,
• kvalitní datovou disciplínu,
• jasné scénáře pro selhání.

AI tu není náhradou za zkušenost, spíš multiplikátor: zkušený tým dokáže dohlížet na víc lokalit, protože rutinní rozhodnutí (typicky krmení) přebírá software.

Udržitelnost: sliby vs. metriky, které je potřeba hlídat

Krátká odpověď: offshore akvakultura může snížit některé lokální dopady, ale bez měření a transparentních metrik je to jen marketing.

Jestli se má hlubokomořský chov stát důvěryhodnou součástí potravinového řetězce, potřebuje mluvit jazykem dat. V praxi bych sledoval hlavně:

• FCR (feed conversion ratio): kolik krmiva na kilogram přírůstku.
• Míru úniků ryb (a jak jsou klece konstruované proti selhání).
• Zdravotní ukazatele: mortalita, výskyt parazitů, potřeba léčiv.
• Dopady na okolí: monitoring dna, biodiverzity v okolí, chemie vody.
• Energetickou náročnost: doprava, obsluha, výroba krmiv.

Offshore proudy mohou „odnést“ zátěž, ale to neznamená, že zátěž zmizí. Zmizí jen z dohledu. Proto je fér trvat na tom, aby moderní farma uměla doložit dopady a nevyžadovala slepou důvěru.

Co se může pokazit (a proč to není důvod to zahodit)

Krátká odpověď: největší rizika jsou regulace, extrémy oceánu a selhání modelů na špatných datech.

Kritika offshore akvakultury se objevuje pravidelně – včetně právních sporů o povolení a posuzování dopadů na životní prostředí. A upřímně, část kritiky je zdravá: nutí projekty prokazovat, že „dál od pobřeží“ není jen útěk před dohledem.

Z technologického pohledu vidím tři typické slabiny:

1) Data nejsou čistá, oceán je chaos

Podvodní video je často zakalené, světlo se mění, proudění hýbe kamerou. Senzory driftují, biofouling (zarůstání) zkresluje měření. AI bez kvalitního datového servisu degraduje.

Pravidlo z praxe: nejdřív vyřešit spolehlivost měření, až pak ladit modely.

2) „Model říká krmit, ale ryby nežerou“

AI může optimalizovat krmení, ale pokud není napojená na dobré signály o chování ryb a stavu vody, umí udělat drahé chyby. Proto se vyplácí kombinovat:

• chování ryb (video),
• fyziku vody (kyslík, teplota, proud),
• provozní kontext (poslední krmení, velikost dávky).

A hlavně: mít lidský override a jasné limity.

3) Extrémy počasí a odolnost infrastruktury

Offshore farma musí přežít bouře, vysoké vlny a dlouhodobou únavu materiálu. AI vám pomůže s predikcí a provozem, ale nevyztuží šrouby. Tady rozhoduje inženýrská disciplína.

Jak si z toho vzít poučení pro české zemědělství a potravinářství

Krátká odpověď: stejné principy (senzory → predikce → automatizace → audit) se dají přenést do živočišné výroby i zpracování potravin.

Česko nebude stavět hlubokomořské farmy, ale ten „AI blueprint“ je překvapivě přenositelný:

1. Senzory jako základ – bez nich není AI, jen dojem.
2. Modely, které šetří vstupy – krmivo, energie, voda.
3. Včasné varování – zdraví zvířat, poruchy technologií, kontaminace.
4. Dohledatelnost a reporting – protože regulace a retail budou chtít důkazy, ne sliby.

Konkrétně: ve výkrmu prasat nebo drůbeže dnes dává smysl podobná logika jako u krmení ryb: optimalizace dávek, sledování chování (kamery), predikce růstu a plánování logistiky. Ve zpracování potravin zase anomaly detection pro odchylky v kvalitě, teplotních řetězcích nebo čistění linek.

Co by měl udělat každý, kdo zvažuje AI v akvakultuře (nebo obecně ve výrobě potravin)

Krátká odpověď: začněte metrikami, vyberte jeden proces a postavte pilot, který má jasný ekonomický efekt.

Praktický postup, který se mi dlouhodobě osvědčuje:

1. Vyberte jednu bolest (např. krmení, mortalita, plán sklizně).
2. Definujte 2–3 metriky úspěchu (FCR, mortalita, variabilita růstu).
3. Ověřte kvalitu dat (kalibrace, výpadky, zarůstání senzorů).
4. Udělejte pilot na jedné lokalitě / jedné lince.
5. Teprve potom škálujte – a počítejte s tím, že škálování je hlavně o procesech.

Zní to nudně. Funguje to.

Kam to míří v roce 2026: AI jako standardní výbava farem

Offshore akvakultura bude růst hlavně tam, kde dává smysl kombinace: prostor, tržní cena ryb, stabilní poptávka a regulace, která umožní provoz, ale bude vyžadovat důkazní materiál.

A tady je moje sázka: AI v akvakultuře přestane být „funkce navíc“ a stane se podmínkou provozu, protože bez automatizace a predikcí budou offshore projekty buď drahé, nebo rizikové.

Pokud vás v rámci série Umělá inteligence v zemědělství a potravinářství zajímá, jak podobný přístup zavést ve vašem provozu (farma, líheň, zpracování, logistika), nejrychlejší cesta je začít u jedné metriky a jedné automatizace. Jaký proces ve vaší výrobě dnes nejvíc „propaluje“ peníze jen proto, že se řídí odhadem?