AI ve výrobě potravin: co se učí z NASA výzvy

NASA v roce 2023 poslala do finále Deep Space Food Challenge osm týmů a rozdělila ve 2. fázi odměny v hodnotě 750 000 USD. V další fázi se hraje o dalších 1,5 milionu USD. Na první pohled je to „jen“ soutěž o jídlo pro astronauty. Ve skutečnosti je to mnohem praktičtější: extrémně tvrdý test toho, co dnes zvládne automatizace a umělá inteligence ve výrobě potravin.

Když máte vyrobit bezpečné, chutné a výživné jídlo tam, kde je málo prostoru, vody i energie a kde si nemůžete dovolit chyby, okamžitě se ukáže, co je funkční. A přesně to je důvod, proč by Deep Space Food Challenge měla zajímat i lidi z českého zemědělství a potravinářství. Technologie „pro Mars“ často končí v našich sklenících, fermentačních provozech, vertikálních farmách nebo v řízení kvality.

V rámci naší série „Umělá inteligence v zemědělství a potravinářství“ se dnes podíváme na to, co nám finalisté NASA říkají o budoucnosti: AI řízené pěstování, fermentace z plynů (tzv. air protein), bioregenerativní systémy, houby jako surovina a dokonce i „vesmírná trouba“. A hlavně: jak si z toho vzít konkrétní inspiraci pro praxi na Zemi.

Deep Space Food Challenge: proč je to test reality

Deep Space Food Challenge je soutěž, která má jedno jasné kritérium: vyrobit potraviny v prostředí, kde je všechno drahé a nic není samozřejmé. To nutí týmy navrhovat systémy, které jsou:

• uzavřené a úsporné (voda a živiny se recyklují)
• automatizované (posádka nemá čas dělat „ruční práci“)
• predikovatelné (výstup musí být stabilní dávku po dávce)
• bezpečné (mikrobiologie, alergeny, kontaminace)

A to je skoro stejný seznam jako u moderních potravinářských provozů a precizního zemědělství. Rozdíl je jen v tom, že ve vesmíru vám „nevyjde směna“, když to selže. Na Zemi vám to selže jako reklamace, zmetkovitost, plíseň ve skladu nebo špatně nastavená fermentace.

Z pohledu AI a automatizace je ta soutěž zajímavá z jednoho důvodu: vítězí systémy, které umí řídit bioprocesy pomocí dat – ať už jde o pěstování, fermentaci, nebo přípravu jídel.

Co finalisté ukazují: tři směry, které dávají smysl i na Zemi

Finalisté zahrnují několik typů řešení. Ne všechna jsou „přímo přenositelná“ do českých podmínek, ale myšlenkové principy jsou překvapivě univerzální.

1) „Jídlo ze vzduchu“: fermentace plynů a single-cell protein

Do finále se dostaly hned dva týmy stavějící na fermentaci plynů (v článku zmiňované platformy): Air Company a Solar Foods. Princip je jednoduchý na popis, náročný na realizaci: z plynných vstupů, vody, elektřiny a mikroorganismů vzniká bílkovina (typicky jako prášková surovina).

Proč to souvisí s AI v potravinářství?

• Fermentace není „nastav a běž“. Je to dynamický bioproces, kde se mění teplota, pH, přísun plynů, hustota biomasy i riziko kontaminace.
• AI tady dává největší smysl v roli pokročilého řízení procesu: detekce odchylek, predikce výtěžnosti, optimalizace spotřeby energie a surovin.

Co si z toho může vzít Země (a Česko):

• Pro potravináře je to signál, že alternativní proteiny už nejsou jen o „imituju maso“. Jde o nové výrobní řetězce, kde se bude vyhrávat na efektivitě řízení.
• Pro agro sektor je to paralela k tomu, jak dnes funguje precizní zemědělství: méně vstupů, více dat, stabilnější výstup.

Moje zkušenost z projektů kolem dat ve výrobě: firmy často podcení, že největší úzké hrdlo není algoritmus. Je to kvalita senzoriky, historická data a disciplína v provozu. Přesně to, co vesmírné mise vynucují.

2) Bioregenerativní pěstování: microgreens, houby, hmyz

Interstellar Lab (modulární bioregenerativní systém) a další týmy v seznamu pracují s myšlenkou, že část stravy se bude vyrábět „na místě“: microgreens, zelenina, houby, případně hmyz.

Klíčový princip: rostlina je výrobní jednotka, kterou můžete řídit, když máte:

• kontrolované prostředí (světlo, CO₂, vlhkost)
• dostatek měření (senzory)
• automatizaci (dávkování, závlaha, ventilace)
• datové modely (predikce růstu, prevence stresu)

To je přesně doména AI: modely růstu, detekce chorob z obrazu, optimalizace světelných receptů, predikce sklizně a plánování výroby.

Praktická paralela pro české prostředí:

• Skleníky, vertikální farmy a specializované pěstování bylinek mají podobný problém jako vesmír: energie a stabilita kvality.
• V zimě 2025/2026 je téma energií pořád citlivé. AI řízení osvětlení a HVAC (topení/ventilace) není „hračka“ – je to cesta, jak hlídat náklady a nepřijít o kvalitu.

3) Houby jako surovina: stabilita, chuť, funkčnost

Ve finále jsou i projekty zaměřené na houbové ingredience (například Kernel Deltech USA) a také koncepty, které kombinují rostlinné a houbové složky.

Houby a mykoproteiny mají jednu výhodu, kterou potravinář okamžitě ocení: jsou konzistentní a dobře škálovatelné, když máte zvládnuté podmínky pěstování/fermentace. Navíc umí přinést texturu a umami, což snižuje tlak na „chemické“ dochucování.

Kde nastupuje AI:

• predikce kontaminace (anomalie v datech)
• optimalizace receptur (chuť, textura, výživa)
• řízení sklizně a sušení (stabilita, trvanlivost)

Pro české výrobce to může být zajímavé i proto, že houbové ingredience se dají využít v:

• masných výrobcích (hybridní produkty)
• hotových jídlech
• alternativních proteinech
• polévkách a omáčkách

Proč je ve finále i „vesmírná trouba“ – a proč to není detail

Mezi americkými finalisty vyčnívá SATED, protože místo výroby potravin vyvíjí zařízení na přípravu jídel z dlouhodobě skladovatelných surovin.

To je chytrý tah. V praxi totiž nerozhoduje jen to, jak surovinu vyrobíte, ale i to, zda:

• se dá bezpečně a opakovaně připravit
• chutná a má dobrou texturu
• minimalizuje odpad a špinavé nádobí
• funguje při omezeném času obsluhy

Na Zemi tohle řeší třeba velkokapacitní kuchyně, nemocnice, domovy seniorů, armáda, ale i výrobci hotových jídel. A AI tady opět hraje roli: řízení teplotních profilů, optimalizace receptů, kontrola bezpečnosti (HACCP v reálném čase).

Jedna věta, kterou si z toho beru: Bez dobrého „posledního kroku“ (přípravy) se i skvělá surovina stává problém.

Co z NASA přístupu převzít hned: 6 konkrétních lekcí pro agro a food

NASA si může dovolit vybírat jen to, co má nejvyšší šanci fungovat v extrému. Pro firmy je užitečné kopírovat tento filtr. Tady je šest věcí, které dávají smysl zavádět i bez rakety na dvoře:

1. Začněte měřením, ne dashboardem. Bez spolehlivých senzorů a kalibrace bude AI jen hezká vizualizace.
2. Dělejte z procesů „digitální dvojče“. I jednoduchý model fermentace nebo růstu plodiny odhalí, kde mizí výtěžnost.
3. Automatizujte rozhodnutí, která se opakují denně. Dávkování, ventilace, světelné režimy, sanitace.
4. Budujte uzavřené smyčky. Data → rozhodnutí → akce → měření výsledku. Bez toho není optimalizace.
5. Navrhujte na odolnost, ne na ideální podmínky. Výpadek energie, porucha čidla, šarže suroviny mimo normu.
6. Myslete na chuť a použitelnost stejně jako na výtěžnost. Potravina se neprodá proto, že je efektivní. Prodá se, když chutná a je spolehlivá.

„Extrémní prostředí neodpouští špatné procesy. A proto jsou vesmírné potraviny skvělou školou pro zemědělství na Zemi.“

Nejčastější otázky, které padají (a stručné odpovědi)

Znamená „air protein“ konec klasického zemědělství?

Ne. Znamená to, že se vedle polí a farem rozvíjí nová výrobní větev pro specifické použití: stabilní bílkoviny, krizové zásobování, místa s nedostatkem půdy a vody.

Kde je v tom všem umělá inteligence, když jde „jen“ o pěstování a fermentaci?

AI je v praxi hlavně řízení procesu: predikce, detekce odchylek, optimalizace vstupů a kvality výstupu. Bez dat a automatizace to nejde škálovat.

Co je nejrychlejší první krok pro střední firmu?

Vyberte jeden proces (např. fermentace, sušení, pěstování ve skleníku) a nastavte sběr dat v minutové granularitě, jednotné značení šarží a jednoduchý model výtěžnosti/kvality. To bývá návratné rychleji než velký „AI program“.

Kam to míří v roce 2026: méně show, více provozní disciplíny

V raných fázích soutěží se objevují exotické nápady (bioreaktory na kultivované maso, stroje na pečení chleba, chov hmyzu jako hlavní protein). Do finále se ale typicky dostanou koncepty, které mají nejlepší poměr proveditelnost × stabilita × škálování. To je dobrá zpráva i pro české firmy: budoucnost AI v potravinářství nebude o jedné zázračné aplikaci. Bude o tom, že data přestanou být vedlejší produkt a stanou se součástí výroby.

Pokud vás v naší sérii „Umělá inteligence v zemědělství a potravinářství“ zajímá, kde začít prakticky, napište si o konzultační checklist: jak vybrat proces pro pilot, jaké senzory dávají smysl, jak nastavit KPI (výtěžnost, zmetkovitost, energie, bezpečnost) a jak z dat dostat predikce, které obsluha opravdu použije.

A jedna myšlenka na konec: až příště uslyšíte „to je technologie pro vesmír“, berte to jako kompliment. Znamená to, že to může fungovat i v české realitě, kde se počítá každá kilowatthodina, každá hodina práce a každá reklamace.