AI urychluje kultivované ryby: případ unagi

Pěstovat rybu bez rybníku zní jako sci‑fi, ale realita je prozaičtější: rozhoduje rychlost vývoje buněčných linií a schopnost tyhle buňky „naučit“ růst v bioreaktoru stejně spolehlivě, jako dnes rostou plodiny ve skleníku. A právě tady se začíná potkávat biotechnologie s tím, co v našem seriálu „Umělá inteligence v zemědělství a potravinářství“ řešíme pořád dokola: data, automatizace a optimalizace.

Partnerství Umami Meats a TripleBar (původně oznámené v roce 2023) je dobrý příklad toho, jak se vývoj alternativních proteinů posouvá od „hezkých prototypů“ k průmyslové disciplíně. Nejde jen o kultivované ryby jako takové. Jde o to, že se laboratorní výzkum začíná podobat precizní výrobě: tisíce experimentů denně, rychlá zpětná vazba, algoritmické vyhodnocování a rozhodování.

Proč je buněčná linie úzké hrdlo celé kultivace

Buněčná linie je v kultivovaném mase a rybách totéž, co odrůda v zemědělství. Když máte špatnou odrůdu, nepomůže ani ideální závlaha; když máte špatnou buněčnou linii, nepomůže ani špičkový bioreaktor.

U kultivovaných ryb je problém o to složitější, že cílové vlastnosti buněk nejsou „jen“ rychlý růst. V praxi se typicky hledá kombinace parametrů:

• stabilní růst v suspenzi nebo na vhodném nosiči (podle procesu),
• odolnost vůči stresu v bioreaktoru (míchání, změny pH, koncentrace kyslíku),
• efektivní využití živin v médiu (protože médium je často nejdražší položka),
• konzistentní kvalita (proteinový profil, tuky, textura),
• bezpečnost a reprodukovatelnost (dlouhodobá stabilita, absence kontaminací, předvídatelné chování).

V zemědělství jsme si na podobnou logiku zvykli: výnos není jen o semeni, ale i o tom, jak se chová v konkrétních podmínkách. U buněk je to stejné – jen se místo pole optimalizuje bioreaktor.

Unagi (úhoř) jako test reality: poptávka vs. udržitelnost

Umami Meats začíná s japonským úhořem (unagi) z dobrého důvodu: je to prémiová surovina s globální poptávkou a zároveň druh, který trpí tlakem na populaci. V článku zaznívá tvrdé číslo z praxe akvakultury: na 1 tunu úhoře může připadat zhruba 2,5 tuny volně ulovených ryb použitých jako krmivo. To je přesně ten typ neefektivity, který potravinářství dlouhodobě tlačí do kouta.

Tady mám jasný názor: kultivované ryby dávají největší smysl tam, kde je akvakultura biologicky „drahá“ (krmivo, prostor, mortalita) nebo ekologicky riziková (tlak na mořské ekosystémy). Úhoř je ukázkový případ. A navíc – u prémiových produktů je reálnější, že se nová technologie ekonomicky uživí dřív než u komodit.

Co TripleBar přináší: mikrofluidika jako „továrna na experimenty“

TripleBar staví na mikrofluidice: místo aby se testy dělaly v klasických zkumavkách či destičkách, miniaturizují se do mikroreaktorů menších než lidský vlas. Praktický dopad je jednoduchý a zásadní:

Když zmenšíte experiment a zautomatizujete ho na čipu, můžete dělat řádově víc pokusů za stejný čas.

TripleBar tvrdí, že jejich platforma zvládá tisíce komplexních testů za sekundu a miliony testů denně. Pro vývoj buněčných linií je to obrovské, protože nejpomalejší část bývá iterace: udělat změnu → otestovat → vyhodnotit → zopakovat.

Proč tohle není jen „rychlejší laboratoř“

Rychlost sama o sobě nestačí. Klíč je v tom, že taková platforma generuje masivní datové sady. A bez AI a pokročilé analytiky se z toho stane jen drahá hromada měření.

V praxi se do hry dostává několik vrstev „AI v potravinářství“:

1. Design experimentů (DoE): algoritmy navrhují, které kombinace podmínek má smysl testovat, aby se co nejrychleji našlo optimum.
2. Modelování vztahu příčina–následek: které genové změny a kultivační podmínky vedou k požadovanému fenotypu (např. růst v tanku).
3. Detekce šumu a anomálií: kontaminace, drift buněk, měřicí chyby – tohle umí zničit týdny práce.
4. Predikce škálování: co funguje v mikroobjemu, nemusí fungovat v litrech. AI může pomoct odhadnout, kde se proces „rozpadne“.

Tohle je velmi podobné tomu, co vidíme v precizním zemědělství: spousta senzorických dat, ale hodnotu získáte až tehdy, když je umíte přetavit do rozhodnutí.

„Buňky rostou v tanku, ne v rybě“: jak se hledají správné vlastnosti

Jedna věta z partnerství Umami a TripleBar vystihuje podstatu: hledají, zda má buněčná linie vlastnosti potřebné k růstu v bioreaktoru, ne v těle zvířete. To je zásadní rozdíl.

TripleBar popisuje přístup, kdy se provádějí malé změny v genomu (na úrovni jednotlivých bází) a následně se „přesampluje“ populace, aby se našly kombinace změn vedoucí k cílovému znaku. Zjednodušeně:

• uděláte kontrolované varianty,
• změříte jejich chování v definovaných podmínkách,
• vyberete vítěze,
• a znovu iterujete.

Kde přesně se uplatní AI (a proč bez ní proces bolí)

Jakmile testujete velké množství variant, ruční vyhodnocování přestává dávat smysl. AI tu typicky pomáhá:

• skórovat varianty podle více kritérií (růst, metabolismus, stabilita),
• odhalit nepřímé vztahy (např. rychlý růst, ale vysoká spotřeba drahých složek média),
• doporučit další kolo úprav tak, aby se neplýtvalo testy.

Praktický přínos pro potravinářství je jasný: kratší vývoj = dřívější výroba = rychlejší validace ekonomiky.

Co to znamená pro zemědělství a potravinářství v Česku

Nejsme Singapur ani Japonsko, ale dopad se nás týká. V prosinci 2025 už evropské potravinářství otevřeně řeší tři tlaky: cena energie, volatilita surovin a udržitelnost. Kultivované proteiny nejsou spása, ale jsou to další „nástroje v bedně“.

Z české perspektivy mi dává smysl sledovat hlavně tři směry:

1) AI a bioprocesy jako nová kompetence potravinářství

Potravinářské firmy, které dnes řeší automatizaci linek, budou čím dál častěji narážet na bioprocesní témata: fermentace, kultivace, enzymatické procesy. AI v potravinářství tu není o chatbotech, ale o řízení procesu:

• predikce výtěžnosti,
• kontrola kvality v reálném čase,
• optimalizace receptur a médií,
• snižování odpadu.

2) „Modulární“ výroba a lokální chutě

Umami zmiňuje modulární proces napříč druhy ryb a výrobu přizpůsobenou lokálním preferencím. To je zajímavé i pro střední Evropu: pokud jednou existují standardizované moduly, výroba se může přiblížit spotřebě (a omezit logistiku chlazeného řetězce).

3) Přenos know-how do klasického zemědělství

Principy jsou překvapivě přenositelné. To, co se učí biotechnologické týmy (rychlé experimentování, modely, práce s variabilitou), se dá použít i ve výrobě potravin z tradičních surovin:

• optimalizace krmných dávek v živočišné výrobě pomocí predikčních modelů,
• řízení mikrobiologie ve fermentaci (pivo, mléčné výrobky, pečivo),
• prediktivní údržba a energetická optimalizace provozů.

Praktické otázky, které si mají firmy položit dřív, než „naskočí“

Pokud jste v potravinářství, agrotechnologiích nebo investicích do inovací, doporučuju držet se reality a ptát se konkrétně. Tohle jsou otázky, které oddělí marketing od proveditelnosti:

1. Kde je nejdražší krok procesu? U kultivace to často bývá růstové médium; u výroby potravin to může být energie nebo ztráty.
2. Jak se bude měřit kvalita v reálném čase? Bez senzoriky a dat se AI nechytá.
3. Co je „škálovací riziko“? Co funguje v laboratoři, nemusí fungovat ve výrobě – a to je místo, kde se pálí rozpočty.
4. Máme lidi, kteří rozumí jak datům, tak procesu? AI projekty padají na překladu mezi IT a provozem.
5. Jak bude vypadat regulatorní a bezpečnostní rámec? Ne kvůli papírům, ale kvůli důvěře trhu.

Jednověté pravidlo: AI zrychlí jen to, co už umíte měřit a opakovat.

Kam se kultivované ryby posunou v roce 2026 (a co sledovat)

V příštích 12 měsících bude podle mě nejzajímavější sledovat ne „kdo ukáže prototyp“, ale kdo prokáže:

• stabilní buněčné linie vhodné pro průmyslové podmínky,
• snižování nákladů na médium (alternativy k drahým růstovým faktorům),
• konzistentní senzorickou kvalitu (chuť, textura),
• robustní QA/QC systém postavený na datech.

Pokud se partnerství typu Umami–TripleBar rozšíří i na další druhy, bude to signál, že se odvětví začíná standardizovat. A standardizace je vždycky předpoklad pro pokles nákladů.

Z pohledu našeho seriálu „Umělá inteligence v zemědělství a potravinářství“ je tenhle příběh hlavně o jednom: AI a automatizace posouvají biotechnologie do režimu průmyslové optimalizace. Stejně jako se precizní zemědělství posunulo od „mapek výnosů“ ke každodenním rozhodnutím na farmě.

Pokud vás zajímá, jak tyhle principy převést do vašeho potravinářského provozu (nebo do vývoje nového produktu), začněte u dat: co měříte, jak často, jak kvalitně – a co z toho skutečně rozhoduje.

A teď ta důležitá otázka na konec: který krok vašeho potravinářského řetězce by získal nejvíc, kdybyste ho dokázali iterovat desetkrát rychleji – podobně jako to dělají mikrofluidní „továrny na experimenty“?