Le microalghe, che crescono utilizzando luce e anidride carbonica, possono essere impiegate per produrre mangimi e materie prime per animali, pigmenti e potenziali combustibili rinnovabili. Tuttavia, coltivarle in modo efficiente su scala industriale non è facile, perché durante la coltura occorre gestire insieme luce, temperatura, pH (grado di acidità o alcalinità) e concentrazione di ossigeno.

Ricerche e sperimentazioni recenti mostrano che l’intelligenza artificiale (IA) potrebbe contribuire a questa gestione. In base alle informazioni ricavate da sensori e immagini, può aiutare ad analizzare lo stato di crescita e a regolare condizioni operative come l’apporto di anidride carbonica o il pH. Ciò, però, non significa che l’IA abbia già dimostrato di migliorare i risultati o la redditività della produzione industriale.

Contesto

Le microalghe sono minuscoli organismi molto diffusi nei mari, nei fiumi e nei laghi. Attraverso la fotosintesi trasformano la luce in composti organici come proteine, grassi e carboidrati. Nei fotobioreattori, dispositivi che utilizzano la luce per coltivare microrganismi, è necessario mantenere condizioni di coltura adeguate.

Le diverse condizioni si influenzano a vicenda. Se la luce è insufficiente, la fotosintesi viene limitata; una luce troppo intensa può invece causare fotoinibizione, ovvero una riduzione dell’efficienza fotosintetica dovuta a un’eccessiva esposizione alla luce. Se le cellule nel liquido di coltura aumentano, possono anche farsi ombra a vicenda. Perciò, regolare una sola condizione potrebbe non bastare a gestire adeguatamente la coltura.

I sensori possono misurare in continuo temperatura, pH, ossigeno disciolto (ossigeno disciolto in un liquido), luce e anidride carbonica. L’apprendimento automatico, un metodo che individua e analizza schemi ricorrenti nei dati, viene utilizzato per esaminare queste informazioni e individuare lo stato della coltura e i cambiamenti legati alla crescita. Sono inoltre allo studio approcci che analizzano immagini del liquido di coltura per stimare le variazioni della biomassa (materia di origine biologica) o della densità della coltura.

Esistono già applicazioni dell’apprendimento automatico per prevedere la crescita delle microalghe o ottimizzare le condizioni di coltura. Tuttavia, gran parte della produzione presa in esame è rimasta in ambito di laboratorio o su piccola scala pilota. Il fatto che il controllo basato sull’IA sia stato sperimentato in alcuni grandi sistemi di coltura all’aperto dimostra che è possibile applicarlo anche al di fuori del laboratorio, ma non conferma di per sé risultati su scala commerciale.

Che cosa significa questa notizia

Più che sostituirsi alla coltura, l’IA può aiutare ricercatori e responsabili dei processi a prendere decisioni analizzando insieme diverse condizioni e misurazioni. Può individuare nei dati dei sensori schemi legati alla crescita o rilevare cambiamenti difficili da osservare costantemente, fornendo indicazioni utili per regolare le condizioni operative. L’analisi delle immagini può costituire un’ulteriore fonte di dati per stimare lo stato del liquido di coltura.

Nel 2026, ricercatori di Almería, nella Spagna sudorientale, hanno sperimentato l’apprendimento per rinforzo in un raceway aperto di 80 m², usato per la coltura di microalghe e nel quale il liquido di coltura circola in un canale all’aperto. L’apprendimento per rinforzo è un metodo con cui un computer impara quali azioni producono risultati adeguati. Il sistema di IA utilizzava i dati di temperatura, luce solare e ossigeno disciolto per stabilire la quantità di anidride carbonica da fornire e controllava il pH regolando l’immissione di anidride carbonica.

Il sistema è stato testato per 8 giorni in condizioni esterne variabili e, secondo i ricercatori, ha regolato il processo rispondendo ai cambiamenti delle condizioni operative. Si tratta di un’applicazione del controllo basato sull’IA a un sistema di coltura in funzione. Tuttavia, le informazioni presentate nell’articolo non permettono di stabilire quale efficacia abbia su scala commerciale, né quali siano i costi o la redditività.

Si consideri, per esempio, un impianto di coltura in cui i dati dei sensori vengono usati per regolare la quantità di anidride carbonica fornita. Le regolazioni suggerite dall’IA possono aiutare l’operatore a decidere; ma, se le misurazioni dei sensori sono imprecise o se il modello non è stato convalidato a sufficienza su altri ceppi e dispositivi, è difficile aspettarsi gli stessi risultati. Per questo occorre considerare insieme non solo il modello di IA, ma anche i sensori, i dispositivi di coltura, i ceppi di microalghe e le condizioni operative.

Fatti accertati e aspetti ancora incerti

Fatti accertati

  • Le microalghe possono essere impiegate per mangimi e materie prime per animali, pigmenti e potenziali combustibili rinnovabili, ma è difficile coltivarle in modo efficiente su scala industriale.
  • Sensori e apprendimento automatico vengono utilizzati per analizzare le condizioni di coltura e gli schemi legati alla crescita; sono allo studio anche metodi che stimano, tramite immagini, le variazioni della biomassa o della densità della coltura.
  • Nel 2026, in un raceway aperto di 80 m² ad Almería, è stato sperimentato per 8 giorni un sistema in cui l’IA controllava il pH regolando la quantità di anidride carbonica immessa.
  • La contaminazione dei sensori, le variazioni delle misurazioni nel tempo e le differenze tra ceppi e dispositivi possono rappresentare un problema quando si applica un modello ad altri sistemi.

Aspetti ancora incerti

  • Non è stato indicato quale efficacia abbia il controllo basato sull’IA nella produzione di microalghe su scala commerciale.
  • Non sono stati illustrati i costi o la redditività della coltura con l’IA.
  • Non è stato verificato se i modelli sviluppati in laboratorio o per specifici sistemi all’aperto possano ottenere gli stessi risultati anche con altri ceppi e dispositivi.

Che cosa dovrebbe verificare il lettore

  • Occorre controllare se i sensori del sistema di coltura si contaminano o se le misurazioni cambiano nel tempo, e verificare che i dati usati per l’analisi dell’IA siano affidabili.
  • Quando si applica a un altro sistema un modello sviluppato per uno specifico ceppo o dispositivo, bisogna verificare se le sue prestazioni si mantengono anche in quelle condizioni.
  • Nel valutare una sperimentazione di controllo basato sull’IA, è importante verificare la scala e la durata del test e se il sistema abbia saputo rispondere alle variazioni delle condizioni all’aperto, distinguendo questi aspetti dalla dimostrazione di risultati commerciali o di redditività.