AI a kultivované maso: co brzdí škálování výroby

Kultivované maso už dávno není „pár buněk v laboratoři“. Za posledních zhruba 10 let vzniklo podle lidí z oboru přibližně 150 firem, které se snaží dostat buněčně pěstované produkty z prototypů do běžné výroby. A to je přesně bod, kde se láme chleba: nevyhrává ten, kdo má nejhezčí demo burger, ale ten, kdo zvládne stabilní proces, cenu a objem.

Na tuhle realitu dobře navazují poznatky z akce Cellular Agriculture Innovation Day (Tufts University). Zaznělo tam pět témat, která dnes rozhodují o budoucnosti buněčného zemědělství: kultivační médium jako největší náklad, potřeba spolupráce, význam veřejného financování, práce na kvalitě a výživě produktu a přechod k poloprůmyslové výrobě.

V naší sérii Umělá inteligence v zemědělství a potravinářství mě na tom zajímá hlavně jedna věc: kde přesně může AI posunout buněčné zemědělství z „slibné technologie“ na „škálovatelnou výrobu“. Ne marketingově, ale procesně. Tady je praktický pohled.

1) Největší brzda? Kultivační médium a jeho cena

Největší nákladová položka kultivovaného masa je dnes buněčné kultivační médium – živný roztok, který dodává buňkám aminokyseliny, vitaminy, minerály, cukry a růstové faktory. V praxi to znamená, že i když máte dobrou buněčnou linii a bioreaktor, bez levného a reprodukovatelného média nedostanete cenu produktu do rozumných mezí.

Zajímavý detail z diskusí: podle výzkumníků už se podařilo zlevnit některé složky (typicky růstové faktory) – to byly „nízko visící plody“. Další na řadě jsou aminokyseliny a vitaminy, kde už to není jen o nákupu levněji, ale o chytré formulaci.

Jak do toho vstupuje AI (konkrétně)

AI je nejcennější tam, kde je příliš mnoho kombinací na to, aby se daly otestovat ručně. Formulace média je přesně ten případ.

• Bayesovská optimalizace a aktivní učení: model navrhuje další „nejlepší“ experimenty tak, aby se co nejrychleji našla levná směs se stejným růstem buněk.
• Modely vztahu složení → růst → kvalita: nestačí, že buňky rostou. Důležitá je diferenciace (sval/tuk), metabolity, senzorický profil a stabilita.
• Digitální dvojče procesu (jednoduše: simulátor výroby): když změním koncentraci aminokyseliny, co to udělá s pH, spotřebou kyslíku, produkcí laktátu a výtěžností?

Dopad není jen na cenu. Dobře navržené médium zvyšuje reprodukovatelnost šarží, což je u potravin klíčové. A to je téma, které v Evropě (a tím spíš v ČR) bude rozhodovat o důvěře i regulaci.

Praktický „mini-checklist“ pro R&D týmy

Pokud pracujete ve foodtechu (nebo investujete do projektů), díval bych se na tyto otázky:

1. Má firma jasně definovaný cíl: optimalizuje náklad na kg biomasy, nebo jen „rychlost růstu“?
2. Sbírá data z bioreaktoru v dostatečné kvalitě (online senzory, laboratorní analýzy, časové řady)?
3. Má pipeline pro experimenty: data → model → návrh experimentu → validace?
4. Počítá se už v R&D s tím, že médium musí být dostupné ve velkém a v potravinářské kvalitě?

2) Škálování není jen větší bioreaktor. Je to řízení variability

V panelových diskusích zaznělo, že cesta k nákladové efektivitě a úsporám zdrojů je pořád dlouhá. To odpovídá zkušenosti z bioprocesů: když zvětšíte objem, zvýší se riziko, že se změní míchání, přenos kyslíku, teplotní gradienty nebo stres buněk.

Jinými slovy: škálování je hlavně o tom, udržet stejný výsledek při jiných fyzikálních podmínkách.

Kde AI pomáhá ve výrobě (ne v prezentaci)

• Prediktivní řízení (MPC) s ML modely: AI může předpovědět, kam se proces vyvíjí (např. nárůst laktátu), a upravit feed strategii dřív, než dojde k propadu kvality.
• Detekce anomálií v reálném čase: včas poznat, že se šarže „láme“ (kontaminace, odchylka pH, atypická spotřeba kyslíku).
• Optimalizace využití energie a vody: buněčná výroba má smysl jen tehdy, když se díváme na celkovou efektivitu, ne jen na laboratorní úspěch.

Můj názor: firmy, které AI berou jako „nice to have“, budou narážet na drahé zmetky a výkyvy kvality. AI v bioprocesu je výrobní disciplína, ne PR doplněk.

3) Spolupráce a sdílené provozy: ekonomika vyhrává nad egem

Další silná myšlenka z akce: obor se posune od izolovaných příběhů jednotlivých startupů ke spolupráci, protože některé otázky jsou společné (a drahé). Dává to smysl – budovat špičkovou infrastrukturu na škálování je kapitálově náročné.

Koncept sdílených inovačních hubů (společné vybavení, pilotní linky, přístup k expertům) je realistická cesta, jak zrychlit učení a snížit bariéry vstupu.

Proč je to důležité i pro ČR a region CEE

V Česku máme silné základy: chemicko-technologické know-how, potravinářství, rostoucí AI komunitu, univerzity. Co často chybí, je propojovací infrastruktura: místo, kde se potká bioproces, datová věda a potravinářská kvalita.

AI může ve sdílených provozech fungovat jako „společný jazyk“:

• standardizované datové formáty a metriky,
• benchmarking procesů napříč týmy,
• knihovny modelů pro typické úlohy (feed strategie, predikce výtěžnosti, kvalita).

4) Veřejné financování: bez něj to půjde pomaleji (a dráž)

Zaznělo také, že veřejné financování bude hrát stále větší roli. V praxi jde o to, že společnost (stát/EU) platí část rizika a výzkumu podobně, jako se to dělo u obnovitelných zdrojů nebo elektromobility.

Tady je důležité rozlišit dvě věci:

• dotace na vědu a infrastrukturu (pilotní centra, standardy, bezpečnost),
• dotace na komerční výrobu (ty jsou citlivější a politicky náročnější).

Pro evropský kontext v roce 2025 je podstatné, že se stále víc řeší potravinová bezpečnost, energetická efektivita a odolnost dodavatelských řetězců. Buněčná výroba do toho zapadá, ale jen tehdy, když bude transparentní a ekonomicky obhajitelná.

Jakou roli má AI ve veřejně financovaných projektech

Veřejné peníze dávají smysl tam, kde vzniká něco sdíleného:

• otevřené datové sady (anonymizované) pro modelování bioprocesů,
• standardy pro měření kvality a nutričního profilu,
• bezpečnostní a validační protokoly, které zrychlí regulaci.

5) Produkt: chuť, tuk, sval a výživa. Bez toho se veřejnost nehne

Regulace je jedna část. Druhá je, že lidé budou posuzovat kultivované maso velmi jednoduše: chutná to? je to bezpečné? stojí to rozumně? Teprve potom přijdou na řadu hodnotové argumenty.

Z odborného pohledu se často vrací téma diferenciace svalové a tukové tkáně. Tuk není detail. Tuk je nosič chuti a textury. Pokud produkt vypadá jako „libové něco“, zákazník se nevrátí.

A pak je tu výživa: akademická sféra má pomoci ověřit, že buněčně pěstované produkty jsou nutričně srovnatelné s konvenčními. Současně ale platí zajímavá věc: v kontrolovaném prostředí můžete výživu i bezpečnost řídit přesněji.

AI a kvalita potravin: od biologie k senzoru

• Modely pro výběr buněčných linií: predikce, které genetické/epigenetické charakteristiky souvisí s chutí a strukturou.
• Počítačové vidění a spektroskopie: kontrola konzistence, barvy, struktury a případných odchylek.
• Nutriční optimalizace: cílené řízení profilu aminokyselin, lipidů nebo mikroživin (tam, kde je to technologicky i legislativně smysluplné).

Jedna praktická poznámka: kdo chce uspět na evropském trhu, měl by počítat s tím, že „nutričně ekvivalentní“ je minimum. Spotřebitelé budou chtít i srozumitelné označení a konzistentní kvalitu napříč šaržemi.

Poloprůmysl je tady. Masový trh je běh na 10–30 let

Obor už získává regulační razítka v různých zemích a postupně se staví první továrny. Zároveň zazněl střízlivý odhad: výraznější nástup kultivovaného masa může trvat 10 až 30 let.

Tohle je dobré brát vážně. Ne proto, abychom technologii shodili, ale abychom ji plánovali realisticky.

Co to znamená pro firmy v zemědělství a potravinářství

• Krátkodobě (1–3 roky) vyhrávají projekty, které umí zlepšit procesní data, automatizaci a kontrolu kvality.
• Střednědobě (3–7 let) rozhodne náklad na médium, stabilita šarží a pilotní škálování.
• Dlouhodobě (7+ let) bude klíčová integrace do potravinových řetězců: suroviny pro média, energie, logistika, regulace, spotřebitelská důvěra.

A přesně tady sedí AI do naší tematické série: stejně jako v precizním zemědělství jde o to měřit, předpovídat a řídit variabilitu – jen místo pole a počasí máte bioreaktor a metabolismus buněk.

„Nejde o to udělat kultivované maso. Jde o to vyrábět ho každý den stejně.“

Co si z toho odnést (a co udělat příští týden)

Pokud jste výrobce potravin, investor, nebo inovátor v agro/food sektoru, doporučuji tři praktické kroky:

1. Zmapujte, kde máte nejdražší nejistotu. V buněčném zemědělství je to médium a škálování. V tradiční výrobě to často bývá energie, odpady, kvalita šarží.
2. Začněte s daty dřív, než začnete s AI. Bez kvalitních časových řad ze senzorů a laboratorních měření budou modely jen drahé dohady.
3. Hledejte partnerství, ne jen dodavatele. Sdílené pilotní provozy, univerzity a průmyslové týmy dokážou zkrátit cestu o roky.

Kultivované maso nebude v roce 2026 v každé jídelně. Ale AI, automatizace a chytré řízení procesů už teď rozhodují o tom, kdo se do té jídelny jednou dostane. Jakmile se podaří zkrotit cenu kultivačního média a variabilitu škálování, začne se obor měnit z „možná někdy“ na „reálně v nabídce“.

A teď ta otázka, kterou si podle mě musí položit každý tým v potravinářství: máte svoje procesy popsané daty tak dobře, aby se daly řídit stejně přesně jako moderní bioproces?