AI a mycelium: lekce ze „space food“ pro farmy

Vítězný systém kanadské soutěže Deep Space Food Challenge má na první pohled jednoduchou myšlenku: v jednom kompaktním zařízení vyrábět čerstvou zeleninu i bílkovinu. Ve vesmíru je to otázka přežití. Na Zemi je to čím dál víc otázka ekonomiky, energie a odolnosti dodavatelských řetězců.

V dubnu 2024 vyhrál kanadskou edici soutěže systém CANGrow, společný projekt firem Ecoation a Maia Farms. Umí pěstovat čerstvé plodiny (např. jahody a cherry rajčata) ve čtyřech pěstebních komorách a v páté komůrce – malém bioreaktoru – vyrábí protein z mycelia pomocí biomasa fermentace. Celé to doplňuje zrychlené kompostování zbytků.

Pro náš seriál „Umělá inteligence v zemědělství a potravinářství“ je CANGrow zajímavý hlavně z jiného důvodu: vesmírná řešení bývají extrémně „počitatelná“. Všechno musí mít senzory, řízení, plánování a predikci. A přesně tady má AI v precizním zemědělství největší přidanou hodnotu — nejen ve skleníku, ale i ve vertikálních farmách, potravinářských provozech a u nových zdrojů bílkovin.

Proč je kombinace „zelenina + mycelium“ tak silná

Klíčový přínos CANGrow je v tom, že spojuje dvě výrobní logiky do jednoho řízeného systému: fotosyntézu (rostliny) a fermentaci (mycelium). V praxi to znamená širší spektrum živin na malém prostoru a lepší využití zdrojů.

U dlouhých misí ve vesmíru nestačí „nějaké kalorie“. Posádka potřebuje dlouhodobě:

• stabilní přísun bílkovin a esenciálních aminokyselin,
• mikronutrienty z čerstvé zeleniny,
• psychologický efekt „živého jídla“ (čerstvé plody mají jiný dopad než sterilní dávky),
• minimální odpad a uzavřené cykly.

Na Zemi je tlak podobný, jen z jiných důvodů: růst cen energií, nedostatek pracovní síly, proměnlivé počasí a tlak na udržitelnost. Mycelium protein je navíc atraktivní, protože se dá vyrábět celoročně, nezávisle na poli, a jeho produkce je dobře škálovatelná v kontrolovaných podmínkách.

Co přesně CANGrow dělá (a proč je to důležité pro praxi)

Podle popisu má systém pět komor:

• 4 pěstební komory pro rostliny s LED osvětlením a hydroponií (voda je UV ošetřená)
• 1 bioreaktor pro produkci myceliové bílkoviny přes biomasa fermentaci

Tohle je dobrý vzor pro „pozemské“ projekty, protože kombinuje controlled environment agriculture (CEA) s biotechnologií. A to je přesně prostředí, kde AI může přinést měřitelný dopad.

Kde do toho vstupuje AI: řízení, predikce, úspory

AI je v takových systémech nejcennější ve chvíli, kdy přejdete od řízení „podle tabulek“ k řízení „podle pravděpodobností“ — tedy když umíte předvídat, co se stane za 6 hodin, zítra nebo za týden, a upravíte parametry dřív, než se problém projeví na výnosu nebo kvalitě.

V kontrolovaném prostředí se typicky sbírá obrovské množství dat: teplota, vlhkost, CO₂, intenzita světla, EC a pH živného roztoku, průtoky, spotřeba energie, mikrobiologie, vizuální stav rostlin, výstupy z fermentace. AI z toho umí udělat rozhodnutí, která člověk dělá pomaleji nebo „pocitově“.

AI v pěstebních komorách: od světla po chuť

Největší náklad ve vertikálních farmách bývá energie, zejména LED osvětlení. AI zde dává smysl ve dvou vrstvách:

1. Prediktivní řízení klimatu a světelného režimu

   • model odhaduje růstovou fázi a optimalizuje DLI (denní světelnou dávku), aby se neplýtvalo,
   • hledá kompromis mezi rychlostí růstu a kvalitou (cukernatost, barva, textura).

2. Detekce stresu rostlin z obrazu

   • kamery + počítačové vidění odhalí nedostatky živin, plísně nebo přelití dřív, než to vidí lidské oko,
   • systém navrhne úpravu pH/EC, závlahy nebo ventilace.

Praktický dopad? U provozů, které mají náklady na energii „na hraně“, rozhoduje AI často o tom, jestli je projekt dlouhodobě ziskový.

AI ve fermentaci mycelia: stabilita, výtěžnost, bezpečnost

Fermentace je citlivá na drobné změny. AI tady funguje jako „autopilot kvality“, protože:

• hlídá odchylky v křivkách (např. spotřeba substrátu, teplota, pH),
• predikuje, kdy se proces „láme“ do nežádoucího režimu,
• optimalizuje dávkování živin a provzdušňování (kde se často pálí hodně energie).

Z hlediska potravinářství je zásadní i sledovatelnost: AI může pomoci s vyhodnocením šarží, rizik kontaminace a rozhodnutím, kdy proces zastavit a šetřit náklady.

Jednověté pravidlo, které se mi osvědčilo: Fermentace bez dobré predikce je drahá loterie.

„Vesmírné“ principy, které se vyplatí kopírovat i na Zemi

Space food technologie jsou přísné, protože ve vesmíru neexistuje servisní výjezd. Stejné principy ale čím dál víc dává smysl zavádět i v zemědělství a potravinářství.

1) Uzavřené cykly a práce s odpady

CANGrow zmiňuje zapojení zrychleného kompostování. Na Zemi to otevírá cestu k modelu:

• zbytky z pěstování → kompost/živiny → zpět do systému (tam, kde to legislativa a bezpečnost dovolí),
• minimalizace odpadu jako přímá úspora (odvoz, likvidace, ztráty).

AI sem patří jako „dispečer“ toků materiálu: umí spočítat, kdy se vyplatí kompostovat, kdy sterilizovat, kdy sušit, a kdy je lepší vedlejší produkt prodat.

2) Modularita a servisovatelnost

Pět komor je vlastně modulární architektura. Pro komerční provoz je to zásadní:

• výpadek jedné komory neodstaví celý provoz,
• můžete testovat nové plodiny nebo receptury fermentace bez rizika pro zbytek produkce,
• AI se dá nasazovat postupně (pilot v jedné komoře → škálování).

3) Přesné měření místo dojmů

V CEA i bioreaktorech platí: co neměříte, to neřídíte; co neřídíte, to prodražujete. AI zvedá hodnotu senzorů tím, že z dat dělá rozhodnutí.

Jak začít: 6 kroků pro farmu nebo potravinářský provoz

Nejrychlejší cesta k výsledkům je nasadit AI tam, kde už dnes máte data a jasný nákladový problém (energie, výtěžnost, zmetkovitost, práce).

1. Vyberte jeden cíl (např. snížení spotřeby energie v osvětlení o 10 %).
2. Zmapujte data, která už máte (BMS/SCADA, logy z klimatizace, laboratorní měření, výstupy z kamer).
3. Doplňte chybějící senzory jen tam, kde dávají ROI (typicky CO₂, EC/pH, průtoky, submetering energie).
4. Postavte „baseline“: jak systém funguje bez AI, jaké jsou sezónní odchylky.
5. Pilotujte na jedné lince/komoře/bioreaktoru a hlídejte dopad na kvalitu, ne jen na výnos.
6. Zaveďte MLOps a pravidla změn: kdo schvaluje zásahy, jak se verzuje model, jak se řeší výjimky.

Pro lead-generation projekty (typicky dodavatelé technologií, integrátoři, agri-food startupy) je největší chyba snaha „zaiovat“ všechno najednou. Vyhrávají týmy, které umí dodat první měřitelnou úsporu do 6–10 týdnů.

Nejčastější otázky z praxe (a konkrétní odpovědi)

Má mycelium protein šanci v Česku a střední Evropě?

Ano — hlavně jako B2B ingredience a jako součást lokálních potravinových řetězců. Pro průlom ale rozhodnou dvě věci: cena za kg bílkoviny (včetně energie) a schopnost držet konzistentní kvalitu šarží.

Je AI v CEA spíš pro „velké hráče“?

Ne. V menších provozech bývá paradoxně efekt rychlejší, protože rozhodování je méně vrstvené. Stačí rozumný sběr dat a jeden jasný cíl.

Kde je nejrychlejší návratnost?

Typicky v:

• optimalizaci osvětlení a HVAC,
• predikci chorob a stresu rostlin,
• stabilizaci fermentace (méně zmetků, vyšší výtěžnost).

Co si odnést do další sezóny (a proč to řešit právě teď)

CANGrow vyhrál, protože spojuje „něco zeleného“ a „něco bílkovinného“ do jednoho řízeného celku — a tím řeší výživu komplexně. Na Zemi řešíme totéž, jen pod tlakem cen, klimatu a logistiky.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ to beru jako jasný signál: budoucnost nebude stát jen na jednom triku (jen vertikální farma, jen fermentace, jen skleník). Vyhrají systémy, které umí kombinovat produkční metody a řídit je daty.

Pokud stavíte CEA provoz, zavádíte fermentaci, nebo jen přemýšlíte, jak snížit náklady na energii a zmetky, vyplatí se udělat jednoduchý krok: vyberte jeden proces, změřte ho a dejte mu predikci. AI je dnes nejpraktičtější tam, kde je prostředí kontrolované a chyba drahá.

A teď ta otázka, kterou si klade čím dál víc provozů: budete mít za rok svoje pěstební komory a bioreaktory řízené lidmi „na směně“, nebo systémem, který se učí z každé hodiny provozu?