AI v potravinách: co se naučit od „vesmírných hub“

Na misi k Marsu si nemůžete „zajet do Makra“. Každý litr vody, každý watt energie a každý gram odpadu je problém, který se dřív nebo později vrátí jako účet. Právě proto NASA a Kanadská kosmická agentura rozjely Deep Space Food Challenge: soutěž, kde nejde o efektní nápady, ale o funkční systémy výroby jídla v extrémně omezených podmínkách.

A teď to zajímavé pro naši sérii Umělá inteligence v zemědělství a potravinářství: když se podíváte na finálové prototypy, uvidíte v nich stejnou logiku, kterou dnes tlačí dopředu chytré farmy a moderní potravinářské provozy. Uzavřené okruhy, fermentace, pěstování hub, mikrogreens, „jídlo ze vzduchu“… Vesmír je jen tvrdší verze toho, co už v roce 2025 řešíme i na Zemi: drahé energie, tlak na udržitelnost, nedostatek pracovníků a potřeba stabilní kvality.

Proč ve vesmíru vyhrávají uzavřené systémy (a proč to kopírujeme na Zemi)

Vesmírné potravinové systémy jsou školou extrémní efektivity. V praxi to znamená minimalizovat vstupy (voda, energie, suroviny), maximalizovat výstupy (kalorie, bílkoviny, mikronutrienty) a držet rizika (kontaminace, poruchy) na uzdě.

Na Zemi k tomu máme podobné důvody, jen jiné kulisy:

• Energie je drahá a volatilní – od skleníků po mlékárny.
• Voda je lokálně limitující faktor – a to i ve střední Evropě.
• Odpad se proměnil z „vedlejšího produktu“ na náklad (legislativa, poplatky, reputace).
• Kvalita musí být konzistentní – jinak jsou reklamace, zmetky a ztráty.

Vesmírné týmy proto staví systémy, které připomínají moderní vertikální farmy, bioreaktory nebo pilotní linky v potravinářství. A tady nastupuje AI: jakmile máte uzavřený okruh, máte i spoustu senzorických dat. A jakmile máte data, AI umí dělat to, co člověk nestíhá: predikovat, optimalizovat a hlídat odchylky.

Vítěz skryté disciplíny: houby, fermentace a „bílkovina z bioreaktoru“

Nejviditelnější trend mezi finalisty je dominance hub a fermentace. Dává to smysl: houby a mikroorganismy umí růst na kompaktní ploše, nepotřebují slunce v klasickém smyslu a často dokážou zužitkovat „odpadní“ proudy.

Mezi finalisty druhé fáze byly týmy pracující například s:

• fungální biomasa (produkce bílkovin z hub)
• uzavřeným pěstováním jedlých hub
• mikrogreens a zeleninou pro mikronutrienty
• plynovou fermentací a jednobuněčnými proteiny
• umělou fotosyntézou (produkce surovin pro potraviny)

Co je na tom praktické pro zemědělství a potravinářství

Fermentace je dnes jeden z nejrychlejších způsobů, jak stabilně vyrábět bílkoviny s malou půdní stopou. Neznamená to, že nahradí klasické zemědělství. Znamená to, že doplní tam, kde jsou limity: ve městech, v regionech s nedostatkem vody, nebo v situaci, kdy potřebujete jistotu dodávek.

A teď to podstatné: fermentace i pěstování v kontrolovaném prostředí (CEA) jsou datově bohaté procesy. Typicky měříte:

• teplotu, pH, rozpuštěný kyslík
• CO₂/O₂, vlhkost, světlo
• průtoky, koncentrace živin
• mikrobiální aktivitu, růstovou křivku

To je ideální půda pro strojové učení v potravinářství: modely umí předvídat výnos, odhalit kontaminaci dřív, než ji uvidíte, a doporučit úpravu receptury nebo režimu.

„Alkohol z dechu“: proč je to ve skutečnosti lekce o cirkularitě

Nejvíc mediálně chytlavý nápad z finalistů? Technologie, která zachytí CO₂ vydechovaný astronauty, spojí ho s vodíkem (z elektrolýzy vody) a vyrobí alkohol. Ten pak poslouží jako vstup pro jedlé kvasinky, které vyprodukují bílkoviny, tuky a sacharidy.

Zní to jako vtípek do hospody. Jenže technicky je to ukázka toho, kam směřuje moderní potravinářství: z odpadu zpátky do suroviny.

Paralela se zemědělstvím: CO₂ jako surovina, ne problém

Ve sklenících se CO₂ dávkuje pro urychlení fotosyntézy už dnes. Rozdíl je v tom, že vesmírný přístup počítá s CO₂ jako s hlavním uhlíkovým zdrojem pro výrobu potravin.

AI do toho vstupuje ve dvou místech:

1. Řízení procesu: optimalizace poměru plynů, energie a výtěžnosti (model predikuje, kdy se vyplatí změnit režim).
2. Kontrola kvality: detekce nežádoucích vedlejších produktů, stabilita šarží, predikce senzorických vlastností.

V českém kontextu tohle dává smysl hlavně tam, kde je odpadní CO₂ dostupné a drahé ho pouštět „jen tak“: pivovary, lihovary, bioplynky, některé potravinářské provozy. Neříkám, že příští rok pojedeme „rohlíky z dechu“. Říkám, že cirkulární logika se bude prosazovat rychleji, než čeká většina firem.

Kde přesně AI pomáhá: 6 praktických use-cases z „vesmírné“ logiky

AI v zemědělství a potravinářství je nejúčinnější tam, kde rozhodujete často a draze. V uzavřených systémech (fermentory, skleníky, vertikální farmy) děláte stovky mikro-rozhodnutí denně. A každé stojí energii, čas nebo riziko.

Tady je šest konkrétních aplikací, které si můžete přenést z vesmírných prototypů do pozemské praxe:

1. Predikce výnosu v reálném čase
   Model se učí z historických šarží a průběžných senzorických dat. Umí říct, zda šarže „dojede“ do cílové biomasy, nebo začne padat.

2. Včasná detekce kontaminace
   Kontaminace se často projeví nejdřív jemnou změnou křivky (např. spotřeba O₂, pH drift). AI umí upozornit dřív než laboratorní testy v rutinním režimu.

3. Optimalizace receptur a krmení (feeding) ve fermentaci
   Místo fixního plánu dávkování živin používáte adaptivní řízení: systém doporučí úpravu podle cíle (výnos, rychlost, chuťový profil, náklady).

4. Energetická optimalizace skleníků a indoor farem
   AI plánuje světelné a klimatické režimy podle ceny energie, předpovědi počasí a růstové fáze plodin. Výsledkem je méně špiček a stabilnější kvalita.

5. Precizní výživa a plánování jídelníčku
   Vesmír tlačí na výživu „na gram“. Na Zemi to sedí třeba pro nemocnice, domovy seniorů, sportovní výživu nebo školní stravování. AI dokáže kombinovat nutriční cíle, dostupnost surovin a cenu.

6. Digitální dvojče procesu (digital twin)
   Nejde o buzzword. Digitální dvojče je simulace, na které otestujete změnu parametru bez toho, abyste riskovali celou šarži. V uzavřených potravinových systémech to šetří peníze i nervy.

Co si z toho odnést do firmy: jednoduchý checklist

Vesmírné projekty jsou extrémní, ale principy jsou překvapivě použitelné. Pokud jste zemědělec, provozovatel skleníku, potravinářská firma nebo startup, tenhle checklist vás rychle nasměruje.

1) Kde vám „utíkají“ zdroje?

Vyberte si jeden problém, kde se ztrácí nejvíc:

• energie (chlazení, světla, sušení)
• voda (závlaha, čištění)
• suroviny (zmetky, nestabilní šarže)
• práce (ruční kontrola, ruční plánování)

2) Máte data použitelné pro AI?

Nejde o „big data“. Jde o spolehlivá data:

• pravidelná měření (časové řady)
• jednotné značení šarží
• záznam zásahů operátora (kdy kdo co změnil)

Bez toho bude i nejlepší model jen hezká prezentace.

3) Definujte jeden měřitelný cíl na 90 dní

Příklad, který funguje:

• snížit spotřebu energie v pěstební hale o 8–12 %
• zkrátit dobu fermentace o 6 hodin bez poklesu kvality
• snížit zmetkovitost o 15 % díky včasnému varování

AI projekty vyhrávají, když mají krátkou smyčku hodnoty.

Kam to míří v roce 2026: potraviny jako řízený systém

Největší posun posledních dvou let je v tom, že se potraviny přestávají brát jako „řemeslo plné tajemství“ a začínají se řídit jako systém. Neznamená to, že zmizí zkušenost technologů nebo agronomů. Znamená to, že budou mít vedle sebe modely, které:

• hlídají odchylky 24/7,
• počítají dopady rozhodnutí v čase,
• a dávají doporučení, která jsou konzistentní.

Vesmírné potravinové prototypy nám připomínají jednu věc: když jsou zdroje opravdu drahé, plýtvání přestane být „normální“. A přesně tím směrem se tlačí i zemědělství a potravinářství v Evropě.

Pokud chcete v rámci série Umělá inteligence v zemědělství a potravinářství navázat prakticky: napište si tři procesy, kde máte největší náklady a největší variabilitu. Tam je AI nejrychlejší cesta k výsledku.

A teď jedna otázka, která stojí za poradu ještě před koncem roku: kdyby vám zítra zdražila energie o 30 % a voda byla limitovaná, který proces by to položilo jako první – a jak rychle byste ho uměli zoptimalizovat daty?