Les microalgues, qui se développent grâce à la lumière et au dioxyde de carbone, peuvent servir à produire des aliments et des ingrédients pour animaux, des pigments et d’éventuels carburants renouvelables. Mais il n’est pas facile de les cultiver efficacement à l’échelle industrielle. Le processus de culture nécessite en effet de gérer simultanément la lumière, la température, le pH (le degré d’acidité ou d’alcalinité) et la concentration en oxygène, entre autres paramètres.

Des études et des essais récents montrent que l’intelligence artificielle (IA) pourrait contribuer à cette gestion. À partir d’informations provenant de capteurs et d’images, elle peut aider à analyser l’état de croissance et à ajuster les conditions de fonctionnement, comme l’apport de dioxyde de carbone ou le pH. Cela ne signifie toutefois pas que l’IA a déjà démontré son efficacité ou sa rentabilité dans la production industrielle.

Contexte

Les microalgues sont de minuscules organismes abondants dans les mers, les rivières et les lacs. Grâce à la photosynthèse, elles transforment la lumière en composés organiques, tels que des protéines, des lipides et des glucides. Dans un photobioréacteur (un dispositif qui utilise la lumière pour cultiver des micro-organismes), les conditions de culture doivent être maintenues à des niveaux appropriés.

Ces paramètres s’influencent mutuellement. Un manque de lumière limite la photosynthèse, tandis qu’une lumière trop intense peut provoquer une photoinhibition (une baisse de l’efficacité photosynthétique due à un excès de lumière). Lorsque le nombre de cellules dans le milieu de culture augmente, elles peuvent aussi se faire de l’ombre. Ajuster un seul paramètre peut donc ne pas suffire à gérer correctement les conditions de culture.

Les capteurs peuvent mesurer en continu la température, le pH, l’oxygène dissous (l’oxygène présent dans un liquide), la lumière ou encore le dioxyde de carbone. L’apprentissage automatique (une méthode qui repère et analyse des schémas dans les données) sert à examiner ces informations afin de déterminer l’état de la culture et les évolutions liées à la croissance. Des recherches portent également sur l’analyse d’images du milieu de culture pour estimer les variations de la biomasse (matière d’origine biologique) ou de la densité de culture.

L’apprentissage automatique est déjà utilisé dans certains cas pour prévoir la croissance des microalgues ou optimiser leurs conditions de culture. Toutefois, une grande partie de la production étudiée reste au stade de laboratoire ou de projet pilote de petite taille. Le fait que le contrôle par IA ait été testé dans certains grands systèmes de culture en plein air montre qu’une application hors du laboratoire est possible, mais ne suffit pas à établir des résultats à l’échelle commerciale.

Ce que cette information signifie

Le rôle de l’IA consiste moins à remplacer la culture qu’à aider les chercheurs et les responsables des procédés à prendre des décisions en examinant simultanément plusieurs paramètres et mesures. Elle peut repérer dans les données des capteurs des schémas liés à la croissance, ou détecter des évolutions difficiles à suivre en permanence par une personne, afin d’éclairer les ajustements des conditions de fonctionnement. L’analyse d’images peut constituer une autre source d’information pour estimer l’état du milieu de culture.

En 2026, des chercheurs d’Almería, dans le sud-est de l’Espagne, ont testé l’apprentissage par renforcement dans un bassin raceway ouvert de 80 m², utilisé pour cultiver des microalgues (un système où le milieu de culture circule dans un canal extérieur). L’apprentissage par renforcement est une méthode par laquelle un ordinateur apprend quelles actions produisent les résultats souhaités. Le système d’IA s’est servi des mesures de la température, de l’ensoleillement et de l’oxygène dissous pour déterminer la quantité de dioxyde de carbone à fournir, et a régulé le pH en ajustant l’injection de dioxyde de carbone.

Le système a été testé pendant 8 jours dans des conditions extérieures variables. Les chercheurs ont indiqué qu’il avait ajusté le procédé en réponse aux changements des conditions de fonctionnement. Il s’agit d’un exemple d’application du contrôle par IA à un système de culture en activité. Cependant, les informations présentées dans l’article ne permettent pas de savoir quelle efficacité il aurait à l’échelle commerciale, ni quels seraient ses coûts ou sa rentabilité.

Prenons l’exemple d’une installation de culture qui ajuste l’apport de dioxyde de carbone à partir des données de capteurs. Les ajustements proposés par l’IA peuvent éclairer le jugement des opérateurs, mais il serait difficile d’en attendre les mêmes performances si les mesures des capteurs sont imprécises ou si le modèle n’a pas été suffisamment validé avec d’autres souches et équipements. Il faut donc prendre en compte non seulement le modèle d’IA, mais aussi les capteurs, les équipements de culture, les souches de microalgues et les conditions de fonctionnement.

Ce qui est établi et ce qui reste à déterminer

Faits établis

  • Les microalgues peuvent être utilisées dans les aliments et ingrédients pour animaux, les pigments et d’éventuels carburants renouvelables, mais il est difficile de les cultiver efficacement à l’échelle industrielle.
  • Les capteurs et l’apprentissage automatique servent à analyser les conditions de culture et les schémas liés à la croissance. Des méthodes visant à estimer, à partir d’images, les variations de la biomasse ou de la densité de culture sont également à l’étude.
  • En 2026, un système d’IA régulant l’injection de dioxyde de carbone pour contrôler le pH a été testé pendant 8 jours dans un bassin raceway ouvert de 80 m² à Almería.
  • La contamination des capteurs, l’évolution des mesures au fil du temps et les différences entre les souches et les équipements peuvent poser problème lorsqu’un modèle est appliqué à d’autres systèmes.

Ce qui reste à déterminer

  • L’efficacité du contrôle par IA dans la production de microalgues à l’échelle commerciale n’a pas été précisée.
  • Le coût ou la rentabilité de la culture avec l’IA n’a pas été expliqué.
  • Il n’a pas été établi que les modèles développés en laboratoire ou dans un système extérieur donné offriraient les mêmes performances avec d’autres souches et équipements.

Points à vérifier pour les lecteurs

  • Il convient de vérifier si les capteurs du système de culture sont contaminés ou si leurs mesures varient au fil du temps, et de s’assurer que les données utilisées pour l’analyse par IA sont fiables.
  • Lorsqu’un modèle conçu pour une souche ou un équipement particulier est appliqué à un autre système, il faut vérifier que ses performances s’y maintiennent.
  • Pour évaluer un exemple de contrôle par IA, il faut vérifier l’échelle et la durée de l’essai, ainsi que la capacité du système à s’adapter aux variations des conditions extérieures, et distinguer ces éléments de la preuve d’une efficacité commerciale ou d’une rentabilité.