AI a jídlo pro Mars: lekce pro české zemědělství

Každé sousto, které astronaut dnes sní na oběžné dráze, bylo vyrobené a zabalené na Zemi. Funguje to, dokud máte pravidelné zásobování. Jenže u vícletých misí – typicky cesta na Mars – se z „pošleme další náklad“ stává fantasy. A právě v tom je pro mě ta nejzajímavější pointa: vesmírné potravinové systémy jsou extrémní verzí toho, co řeší zemědělství už teď. Ne dost vody. Ne dost energie. Málo místa. Příliš rizik.

V podcastu The Spoon mluví NASA (Ralph Fritsche, Space Crop Production a Exploration Food Systems) o tom, jak se vyvíjí program vesmírného jídla a proč už nestačí jen lyofilizované porce z pozemské kuchyně. Já to vezmu jako odrazový můstek pro náš seriál „Umělá inteligence v zemědělství a potravinářství“: co se naučíme z krmení posádky na Marsu a jak to přenést do českých farem, skleníků a potravinářských provozů.

Proč lyofilizované menu na Mars nestačí (a proč je to podobné jako u nás)

Klíčový problém dlouhých misí není jen objem jídla, ale degradace kvality v čase. U skladovaných potravin postupně klesá obsah některých vitaminů, mění se chuť i textura, roste tlak na dokonalé řízení bezpečnosti. Když posádka žije v uzavřeném prostředí měsíce a roky, nejde jen o kalorie.

Tohle má překvapivě blízko k pozemské realitě. V Česku i ve střední Evropě v posledních letech vidíme, že:

• kolísání počasí zvyšuje potřebu stabilnějších produkčních systémů,
• tlak na nižší spotřebu vody a hnojiv roste,
• potravinářství řeší plýtvání a proměnlivou kvalitu surovin,
• zákazníci chtějí čerstvost, dohledatelnost a stálou kvalitu.

Vesmír je jen „brutálně férový“: když něco podceníte, není kam uhnout. A právě proto je vesmír skvělý testovací polygon pro automatizaci, senzoriku a AI.

Vesmír jako laboratorní zkratka

Na Zemi často tolerujeme ztráty: procenta výnosu, procenta zmetkovitosti, procenta odpadu. U mise na Mars jsou procenta luxus. Vše musí být měřené, predikované a řízené. To je přesně mentalita, kterou přináší AI do precizního zemědělství: řídit systém podle dat, ne podle pocitu.

Jak by mohl vypadat „potravinový systém“ pro hluboký vesmír

Nejde o jednu technologii, ale o propojený ekosystém. NASA a další agentury uvažují v celých potravinových řetězcích: pěstování, zpracování, bezpečnost, skladování, příprava a také odpadní hospodářství.

V praxi se mluví hlavně o třech pilířích:

1) Pěstování v uzavřeném prostředí (CEA) jako default

Vesmír nutí pěstovat v plně kontrolovaném prostředí. To znamená světlo, CO₂, živiny, voda, vlhkost – všechno se řídí. Na Zemi tomu říkáme controlled environment agriculture (CEA): skleníky, indoor farmy, vertikální pěstování.

Co si z toho vzít do ČR:

• CEA dává smysl pro bylinky, listovou zeleninu, sadbu a plodiny s vysokou přidanou hodnotou.
• Největší brzda je energie. Zimní měsíce (prosinec–únor) jsou u nás tvrdé – a právě teď (12/2025) se hodně rozhoduje o tom, kdo přežije ceny energií díky efektivitě.
• AI v CEA typicky řídí světelné recepty, zavlažování, ventilaci a prevenci chorob.

Jedna věta, kterou si často píšu do poznámek: „Uzavřený systém vám odpustí počasí, ale neodpustí špatné řízení.“

2) Mikroby, fermentace a „biovýroba“

Fermentace je nejpraktičtější způsob, jak v omezeném prostoru vyrábět bílkoviny i další složky. V uzavřeném systému můžete pěstovat mikroorganismy, které vyrábí proteiny, tuky, aromatické látky nebo vitaminy.

Na Zemi už to známe:

• výroba enzymů a kultur,
• přesná fermentace pro alternativní bílkoviny,
• zhodnocení vedlejších proudů.

A kde je AI?

• v predikci průběhu fermentace (výnos, kontaminace, doba),
• v řízení parametrů (teplota, pH, kyslík),
• v optimalizaci receptur pro chuť a texturu.

V potravinářských firmách se tohle často podceňuje, protože „fermentace se dělá roky“. Jenže rozdíl je v tom, že AI umí vyhodnocovat tisíce šarží a najít vzory, které člověk nevidí.

3) Zpracování a příprava jídla s minimem odpadu

Na Marsu nechcete odpad. Chcete uzavřené smyčky. To znamená plánování jídelníčku podle zásob, zbytků a nutričních potřeb posádky.

Tady je paralela s pozemským potravinářstvím až bolestně přímá:

• plánování výroby podle poptávky,
• optimalizace skladových zásob,
• snižování expirací,
• řízení kvality a traceability.

AI tu pomáhá hlavně přes:

• prediktivní plánování (kolik vyrobit a kdy),
• optimalizaci receptur (náklady vs. nutriční profil vs. chuť),
• detekci odchylek (např. z dat ze senzorů v lince).

Co AI reálně dělá v extrémních potravinových systémech

AI není „robot, co pěstuje salát“. AI je mozek pro rozhodování v systému s omezeními. Ve vesmíru jsou ta omezení brutální; na Zemi jsou ekonomická, klimatická a legislativní.

Prakticky jde o čtyři typy úloh, které dávají smysl i pro české zemědělství:

Predikce: výnosy, rizika, výpadky

V uzavřeném pěstování i na poli je rozhodující predikovat:

• kdy porost zpomalí,
• kdy hrozí choroba,
• kdy dojde kritický zdroj (voda, energie, pracovní síla).

AI modely (nad daty ze senzorů, kamer, meteorologie, půdních map a historie) zlepšují rozhodnutí typu „zalít/nezalít“, „přisvítit/nepřisvítit“, „sklidit dnes/zítra“.

Optimalizace: maximum výživy z minima zdrojů

To je vesmírná mantra. A na Zemi se z ní stává nutnost.

• Voda: optimalizace závlahy podle evapotranspirace, stavu půdy a fáze růstu.
• Hnojiva: dávkování podle variability pozemku a aktuální potřeby.
• Energie ve sklenících: řízení topení, větrání a světla podle cen energie a biologických potřeb.

Pokud dnes někdo provozuje skleník bez datového řízení, v zimě 2025/2026 si dobrovolně přidává problém.

Autonomie: méně lidských zásahů, méně chyb

Na Marsu je autonomie nutná. Na Zemi je to odpověď na nedostatek lidí a tlak na kvalitu.

AI v kombinaci s automatizací znamená:

• automatické dávkování živin,
• kamerové kontroly kvality,
• robotické operace (od plečkování po sklizeň v CEA),
• alarmy při odchylkách.

Bezpečnost: mikrobiom a kontrola kontaminace

Uzavřený prostor = vyšší riziko šíření. V potravinářství platí totéž. AI se uplatní v:

• rychlé detekci anomálií v datech z prostředí (teplota, vlhkost, CO₂),
• vyhodnocení výsledků mikrobiologických testů,
• sledování šarží a dohledatelnosti.

„Čerstvost je logistika, bezpečnost je disciplína a stabilita je data.“

5 lekcí z NASA, které se vyplatí použít na farmě i ve výrobě

Nejdřív systém, až potom model. Tohle je nejčastější chyba firem, které chtějí „nějakou AI“. Ve vesmíru by takový přístup shořel.

1. Začněte omezením, ne technologií. Co vás dnes nejvíc brzdí – voda, energie, práce, kvalita, odbyt?
2. Měřte to, co rozhoduje. Jeden dobrý senzor na správném místě je víc než deset tabulek v Excelu.
3. Uzavřete smyčku: data → rozhodnutí → akce → vyhodnocení. Bez akce jsou data jen drahá dekorace.
4. Standardizujte procesy. AI nemá ráda chaos. A upřímně: ani výroba.
5. Počítejte návratnost v procentech ztrát. Nejrychlejší ROI bývá ve snižování odpadu, energií a zmetků, ne v „vyšším výnosu za tři roky“.

Mini-scenář z praxe (typický pro ČR)

Skleník pěstuje listovou zeleninu. Ztráty v zimě vznikají hlavně:

• špatným nastavením vlhkosti → plísně,
• kolísáním teploty → stres rostlin,
• přisvětlováním „od oka“ → zbytečná energie.

AI přístup:

• senzory vlhkosti/teploty/CO₂ + kamera pro detekci stresu,
• prediktivní řízení ventilace a topení,
• světelné recepty podle fáze růstu a ceny energie.

Výsledek bývá často méně dramatický, než marketing slibuje, ale ekonomicky velmi příjemný: o pár procent méně ztrát a o pár procent méně energie – a najednou máte rozdíl mezi „přežít“ a „škrtat investice“.

Co si z toho odnést, pokud řešíte AI v zemědělství a potravinářství

Krmit posádku na Marsu je extrémní verze stejného problému: jak vyrobit výživu spolehlivě, bezpečně a s minimem zdrojů. Proto dává smysl sledovat, jak o tom přemýšlí NASA. Ne kvůli romantice vesmíru, ale kvůli disciplíně v designu systémů.

Pokud jste farma, skleník nebo potravinářská firma, nejlepší další krok je překvapivě praktický: vyberte jeden proces, kde vás stojí peníze variabilita (energie, voda, zmetky, expirace), a udělejte z něj pilot.

Já osobně mám rád piloty, které jsou hotové za 6–10 týdnů a mají jasnou metriku: kWh na kg produkce, litry vody na kg, procento odpadu, počet reklamací. To jsou čísla, se kterými se dá pracovat – a která pak AI opravdu umí zlepšit.

A teď ta otázka, která mi zůstává v hlavě pokaždé, když slyším mluvit lidi z vesmírných programů: Když dokážeme naplánovat potravinový systém pro Mars bez možnosti zásobování, proč pořád tolerujeme, že na Zemi ztrácíme tolik jídla jen kvůli špatnému řízení dat a procesů?