微藻利用光和二氧化碳生长，可用于生产动物饲料和原料、色素以及潜在的可再生燃料。但要以工业规模高效培育并不容易，因为培养过程中需要同时管理光照、温度、pH（酸碱度）、氧气浓度等条件。
近期的研究和测试案例显示，人工智能（AI）有望辅助这项管理工作。AI可以根据传感器和图像获取的信息分析生长状况，并帮助调整二氧化碳供应量、pH等运行条件。但这并不意味着AI已经证明能够提升工业生产的成效或经济效益。
背景与脉络
微藻是广泛存在于海洋、河流和湖泊中的微小生物。它们通过光合作用，将光转化为蛋白质、脂肪、碳水化合物等有机化合物。在培养微藻的光生物反应器（利用光培养微生物的装置）中，需要将培养条件维持在适当范围内。
各种条件会相互影响。光照不足会限制光合作用，而光照过强则可能引发光抑制（光照过度导致光合作用效率下降的现象）。培养液中的细胞增多后，也可能彼此遮挡光线。因此，只调节单一条件，可能不足以充分管理培养状态。
传感器可以连续测量温度、pH、溶解氧（溶于液体中的氧气）、光照和二氧化碳等。机器学习（一种从数据中寻找模式并进行分析的方法）可用于分析这些资料，掌握培养状态和与生长有关的变化。研究人员也在探索分析培养液图像、估算生物质（来源于生物的物质）或培养密度变化的方法。
已有案例使用机器学习预测微藻生长或优化培养条件。不过，经审视的生产案例大多仍处于实验室或小型中试规模。一些大型户外培养系统测试了AI控制，这表明AI有可能应用于实验室之外，但仅凭这一点还不能断定其已取得商业规模的成果。
这则消息意味着什么
与其说AI能够取代培养过程，不如说它的作用更接近于综合考察多种条件和测量值，帮助研究人员和工艺运营者作出判断。AI可以从传感器资料中发现与生长有关的模式，或识别出人们难以持续观察的变化，为调整运行条件提供参考。图像分析也可以成为估算培养液状态的另一种信息来源。
2026年，西班牙东南部阿尔梅里亚的研究人员在一套用于培养微藻、面积为80㎡的开放式跑道池（培养液在户外水道中循环的方式）中测试了强化学习。强化学习是一种让计算机学习哪些行动能够产生适当结果的方法。该AI系统利用温度、阳光和溶解氧测量值确定二氧化碳供应量，并通过调节二氧化碳注入来控制pH。
该系统在不断变化的户外条件下测试了8天。研究人员表示，系统在应对运行条件变化的同时对工艺进行了调节。这是将AI控制应用于实际运行中的培养系统的案例。不过，仅凭报道中提供的内容，无法得知它在商业规模上能产生多大效果，也无法判断其成本或经济效益。
例如，可以设想某个培养设施利用传感器资料调整二氧化碳供应量。AI提出的调整方案可以为运营者的判断提供信息，但如果传感器测量不准确，或相关模型未经充分验证，无法确认其适用于其他藻种和装置，就很难期待它发挥相同的性能。因此，除了AI模型，还需要综合考虑传感器、培养装置、微藻藻种和运行条件。
已确认的事实与仍未知的信息
已确认的事实
- 微藻可用于动物饲料和原料、色素以及潜在的可再生燃料，但要以工业规模高效培育并不容易。
- 传感器和机器学习已用于分析培养条件及与生长有关的模式；研究人员也在探索通过图像估算生物质或培养密度变化的方法。
- 2026年，阿尔梅里亚一套面积为80㎡的开放式跑道池进行了为期8天的测试，由AI调节二氧化碳注入量以控制pH。
- 传感器污染、测量值随时间变化，以及藻种和装置之间的差异，都可能导致模型难以应用于其他系统。
仍未知的信息
- 尚未说明AI控制在商业规模的微藻生产中能发挥多大效果。
- 报道没有说明采用AI的培养方式所需的成本或经济效益。
- 尚未确认在实验室或特定户外系统中开发的模型，能否在其他藻种和装置中保持相同性能。
读者应关注的事项
- 应检查培养系统的传感器是否受到污染、测量值是否随时间发生变化，并确认用于AI分析的数据是否可靠。
- 将针对特定藻种或装置开发的模型用于其他系统时，应考察其在那些条件下能否维持性能。
- 评估AI控制案例时，应确认测试规模和持续时间，以及系统是否应对了户外条件变化；还应区分测试结果与已经得到证明的商业成效或经济效益。
