빛과 이산화탄소를 이용해 자라는 미세조류는 동물용 식품·원료와 색소, 잠재적인 재생연료를 만드는 데 활용될 수 있다. 하지만 산업 규모에서 효율적으로 키우기는 쉽지 않다. 배양 과정에서 빛과 온도, pH(산성·알칼리성 정도), 산소 농도 등을 함께 관리해야 하기 때문이다.

최근 연구와 시험 사례는 인공지능(AI)이 이 관리 작업을 보조할 가능성을 보여준다. 센서와 이미지에서 얻은 정보를 바탕으로 성장 상태를 분석하고, 이산화탄소 공급이나 pH 등 운전 조건을 조정하도록 도울 수 있다는 것이다. 다만 AI가 산업 생산의 성과나 경제성을 이미 입증했다는 뜻은 아니다.

배경과 맥락

미세조류는 바다와 강, 호수에 풍부한 미세한 생물이다. 광합성으로 빛을 단백질·지방·탄수화물 등 유기화합물로 바꾼다. 미세조류를 키우는 광생물반응기(빛을 활용해 미생물을 배양하는 장치)에서는 배양 조건을 적절히 유지해야 한다.

조건들은 서로 영향을 주고받는다. 빛이 부족하면 광합성이 제한되고, 지나치게 강한 빛은 광저해(과도한 빛으로 광합성 효율이 떨어지는 현상)를 일으킬 수 있다. 배양액 속 세포가 늘어나면 서로 빛을 가릴 수도 있다. 따라서 한 가지 조건만 조절하는 것으로는 배양 상태를 충분히 관리하기 어려울 수 있다.

센서는 온도와 pH, 용존산소(액체에 녹아 있는 산소), 빛, 이산화탄소 등을 연속해서 측정할 수 있다. 머신러닝(데이터에서 패턴을 찾아 분석하는 방법)은 이 자료를 살펴 배양 상태와 성장 관련 변화를 파악하는 데 쓰인다. 배양액을 촬영한 이미지를 분석해 바이오매스(생물 유래 물질)나 배양 밀도의 변화를 추정하는 접근도 연구되고 있다.

미세조류 성장을 예측하거나 배양 조건을 최적화하는 데 머신러닝을 활용한 사례는 이미 있다. 다만 검토된 생산의 상당 부분은 실험실 또는 소규모 파일럿 규모에 머물러 있다. 일부 대형 야외 배양 시스템에서 AI 제어가 시험됐다는 점은 실험실 밖 적용 가능성을 보여주는 사례지만, 그 자체로 상업적 규모의 성과를 확정하지는 않는다.

이 소식이 뜻하는 것

AI의 역할은 배양을 대신하는 것보다, 여러 조건과 측정값을 함께 살펴 연구자와 공정 운영자의 판단을 돕는 데 가깝다. 센서 자료에서 성장 관련 패턴을 찾거나, 사람이 계속 관찰하기 어려운 변화를 파악해 운전 조건 조정에 참고하도록 할 수 있다. 이미지 분석은 배양액의 상태를 추정하는 또 다른 자료원이 될 수 있다.

2026년 스페인 남동부 알메리아 연구진은 미세조류 배양에 쓰이는 80㎡ 개방형 레이스웨이(배양액이 야외 수로를 순환하는 방식)에서 강화학습을 시험했다. 강화학습은 컴퓨터가 어떤 행동이 적절한 결과를 내는지 학습하는 방식이다. 해당 AI 시스템은 온도와 햇빛, 용존산소 측정값을 이용해 이산화탄소 공급량을 정하고, 이산화탄소 주입을 조절해 pH를 제어했다.

시스템은 변하는 야외 조건에서 8일간 시험됐으며, 연구진은 운전 조건 변화에 대응하면서 공정을 조절했다고 밝혔다. 이는 실제로 운영되는 배양 시스템에 AI 제어를 적용한 사례다. 그러나 기사에 제시된 내용만으로는 상업적 규모에서 어느 정도 효과를 내는지, 비용이나 경제성이 어떤지는 알 수 없다.

예를 들어 한 배양 시설에서 센서 자료를 이용해 이산화탄소 공급량을 조정한다고 가정해 보자. AI가 제안하는 조정은 운영자의 판단을 돕는 정보가 될 수 있지만, 센서 측정이 부정확하거나 해당 모델이 다른 균주와 장치에서 충분히 검증되지 않았다면 같은 성능을 기대하기 어렵다. 이 때문에 AI 모델뿐 아니라 센서와 배양 장치, 미세조류 균주, 운전 조건을 함께 고려해야 한다.

확인된 사실과 아직 알 수 없는 것

확인된 사실

  • 미세조류는 동물용 식품·원료, 색소, 잠재적인 재생연료에 활용될 수 있지만 산업 규모에서 효율적으로 배양하기는 어렵다.
  • 센서와 머신러닝은 배양 조건과 성장 관련 패턴을 분석하는 데 활용되고 있으며, 이미지로 바이오매스나 배양 밀도 변화를 추정하는 방법도 연구되고 있다.
  • 2026년 알메리아의 80㎡ 개방형 레이스웨이에서 AI가 이산화탄소 주입량을 조절해 pH를 제어하는 방식이 8일간 시험됐다.
  • 센서 오염이나 측정값의 시간에 따른 변화, 균주·장치별 차이는 다른 시스템에 모델을 적용할 때 문제가 될 수 있다.

아직 알 수 없는 것

  • AI 기반 제어가 상업적 규모의 미세조류 생산에서 어느 정도 효과를 내는지는 제시되지 않았다.
  • AI를 적용한 배양의 비용이나 경제성은 설명되지 않았다.
  • 실험실이나 특정 야외 시스템에서 개발된 모델이 다른 균주와 장치에서도 같은 성능을 낼지는 확인되지 않았다.

독자가 확인할 것

  • 배양 시스템의 센서가 오염되거나 측정값이 시간에 따라 달라지는지 점검하고, AI 분석에 쓰이는 데이터가 신뢰할 만한지 확인할 필요가 있다.
  • 특정 균주나 장치에서 만든 모델을 다른 시스템에 적용할 때는 해당 조건에서도 성능이 유지되는지 살펴야 한다.
  • AI 제어 사례를 평가할 때는 시험 규모와 기간, 야외 조건의 변화에 대응했는지 확인하고, 상업적 효과나 경제성이 입증됐는지와 구분해야 한다.