光と二酸化炭素を利用して成長する微細藻類は、動物用の飼料・原料や色素、将来的な再生可能燃料の製造に活用できる。しかし、産業規模で効率よく育てるのは容易ではない。培養中は、光や温度、pH（酸性・アルカリ性の程度）、酸素濃度などを同時に管理しなければならないためだ。

最近の研究や試験事例は、人工知能（AI）がこうした管理作業を支援できる可能性を示している。センサーや画像から得た情報をもとに成長状態を分析し、二酸化炭素の供給やpHなどの運転条件の調整を支援できるという。ただし、AIが産業生産の成果や経済性をすでに実証したという意味ではない。

背景と文脈

微細藻類は、海や川、湖に豊富に存在する微小な生物だ。光合成によって、光をタンパク質・脂肪・炭水化物などの有機化合物に変える。微細藻類を育てる光バイオリアクター（光を利用して微生物を培養する装置）では、培養条件を適切に保つ必要がある。

条件は互いに影響し合う。光が不足すると光合成が制限され、強すぎる光は光阻害（過剰な光によって光合成の効率が低下する現象）を引き起こすことがある。培養液中の細胞が増えると、互いに光を遮ることもある。そのため、一つの条件だけを調整しても、培養状態を十分に管理できない場合がある。

センサーは、温度やpH、溶存酸素（液体に溶けている酸素）、光、二酸化炭素などを連続的に測定できる。機械学習（データからパターンを見つけて分析する方法）は、こうしたデータを調べ、培養状態や成長に関わる変化を把握するために使われる。培養液を撮影した画像を分析し、バイオマス（生物由来の物質）や培養密度の変化を推定する手法も研究されている。

微細藻類の成長予測や培養条件の最適化に機械学習を活用した事例はすでにある。ただし、検討されてきた生産の多くは、実験室または小規模なパイロット規模にとどまっている。一部の大規模な屋外培養システムでAI制御が試験されたことは、実験室外での適用可能性を示す事例ではあるが、それだけで商業規模での成果が確定するわけではない。

このニュースが意味すること

AIの役割は培養に取って代わるというより、複数の条件や測定値を同時に確認し、研究者や工程の運転担当者の判断を支援することに近い。センサーデータから成長に関わるパターンを見つけたり、人が継続して観察するのが難しい変化を把握して、運転条件の調整に役立てたりできる。画像分析も、培養液の状態を推定するための別のデータ源になり得る。

2026年、スペイン南東部のアルメリアの研究チームは、微細藻類の培養に使われる80㎡の開放型レースウェイ（培養液が屋外の水路を循環する方式）で強化学習を試験した。強化学習とは、コンピューターがどの行動によって適切な結果が得られるかを学習する方法だ。このAIシステムは、温度や日光、溶存酸素の測定値を用いて二酸化炭素の供給量を決め、二酸化炭素の注入を調整してpHを制御した。

システムは、変化する屋外条件のもとで8日間試験され、研究チームは運転条件の変化に対応しながら工程を調整したと報告した。これは、実際に稼働する培養システムにAI制御を適用した事例だ。しかし、記事に示された内容だけでは、商業規模でどの程度の効果があるのか、コストや経済性がどうなのかは分からない。

たとえば、ある培養施設がセンサーデータを使って二酸化炭素の供給量を調整するとしよう。AIが提案する調整は、運転担当者の判断を助ける情報になり得る。しかし、センサーの測定が不正確だったり、そのモデルが別の株や装置で十分に検証されていなかったりすれば、同じ性能を期待するのは難しい。このため、AIモデルだけでなく、センサーや培養装置、微細藻類の株、運転条件も併せて考慮する必要がある。

確認された事実と、まだ分からないこと

確認された事実

  • 微細藻類は動物用の飼料・原料、色素、将来的な再生可能燃料に活用できるが、産業規模で効率よく培養するのは難しい。
  • センサーや機械学習は、培養条件や成長に関わるパターンの分析に活用されており、画像からバイオマスや培養密度の変化を推定する手法も研究されている。
  • 2026年、アルメリアの80㎡の開放型レースウェイで、AIが二酸化炭素の注入量を調整してpHを制御する方法が8日間試験された。
  • センサーの汚染や時間の経過に伴う測定値の変化、株や装置ごとの違いは、別のシステムにモデルを適用する際の問題になり得る。

まだ分からないこと

  • AIを用いた制御が、商業規模の微細藻類生産でどの程度の効果を上げるかは示されていない。
  • AIを適用した培養のコストや経済性は説明されていない。
  • 実験室や特定の屋外システムで開発されたモデルが、別の株や装置でも同じ性能を発揮するかは確認されていない。

読者が確認すべきこと

  • 培養システムのセンサーが汚染されていないか、測定値が時間とともに変化していないかを点検し、AI分析に使われるデータが信頼できるか確認する必要がある。
  • 特定の株や装置向けに作られたモデルを別のシステムに適用する場合、その条件でも性能が維持されるかを確認すべきだ。
  • AI制御の事例を評価する際は、試験の規模と期間、屋外条件の変化に対応できたかを確認し、商業的な効果や経済性が実証されたかどうかと区別する必要がある。