AIは食料問題に何ができるか：需要予測から精密農業まで

2025-08-212026-10-12

AIは、食料が余る場面、足りなくなる場面、人手が足りない場面で、データを分析して判断を助けています。具体的には、小売店の発注量の予測、農地ごとの肥料や除草剤の量の調整、品種開発の候補の絞り込み、収穫や耕作を行う機械の制御です。

しかし、高価な機械やデータを使える生産者と、使えない生産者との間で差が広がるのではないか、という疑問があります。

この記事では、食料問題の原因を確かめたうえで、需要予測、精密農業、品種開発、農作業の機械、植物工場と代替タンパク質の順に、AIが使われる場面を並べます。最後に、導入の課題を書きます。

食料問題の原因は、需要の増加、気候変動、食料のむだにある

食料問題の原因は、食料の需要が増えること、気候変動で生産が不安定になること、作った食料が食べられる前に捨てられることの3つです。FAO（国連食糧農業機関）の2017年の報告では、世界の人口は2050年までに100億人近くになり、経済成長が中程度の場合、農産物の需要は現在より50%増えるとされています。

FAOの2017年の報告は、気候変動が食料生産のあらゆる面に影響し、降水量のばらつき、干ばつ、洪水が増えると述べています。

食料のむだは、小売の段階でも大きな量になります。食品ロス対策の団体ReFEDの推計では、米国の小売店で2024年に出た余剰食品は398万トンで、全体の約5.7%にあたります。重量では青果物が最も多くを占めます。

経験と勘に頼る判断は、天候が不安定になると難しくなると思います。需要や天候のデータを分析して判断を出す作業には、AIが使われています。

AIは需要予測で、小売店の発注量を調整する

AIは、過去の販売データと天候などから需要を予測し、小売店の発注量を調整します。生鮮食品の発注AIを提供する米国のAfreshは、販売履歴に加えて、天候、地域の経済状況、商品が傷むまでの期間を予測に使います。

Afreshは、年換算で2億ポンド（約9万トン）以上の食品ロスを防いだと、2026年3月時点で発表しています。米国の食料品店での試験導入では、廃棄の削減、棚の鮮度の向上、発注作業の時間の削減により、年270万ドルの節約が見込まれました。

ただし、店長が品切れを避けるために、AIの発注量を変更することがあります。評価の指標が、売れ残りより棚の空きを重く見るためです。

生産者の作付けにも、予測モデルを使う研究があります。インドの研究者らが2024年に発表した研究は、収量と価格を機械学習で予測し、収益の少ない作付けを避ける用途を挙げています。

精密農業は、衛星やドローンの画像で、肥料や除草剤の量を場所ごとに変える

精密農業は、衛星やドローンの画像、センサーのデータを解析して農地の場所ごとの状態を把握し、肥料や除草剤の量を変える農業です。2020年のレビュー（Sishodiaら、Remote Sensing誌）によると、衛星画像は解像度が高くなり、ドローンは数センチ単位の画像を撮れるようになりました。用途は、作物の生育の監視、収量の予測、病害虫の管理です。

肥料の量を場所ごとに変える機器は、Sishodiaらのレビューによると、すでに商用で使われています。機械学習は、大量の衛星データの処理に使われます。

除草剤では、John Deereの散布機が、機体に付けたカメラで雑草を見つけ、雑草のある場所のノズルだけから散布します。同社は、2024年に米国のトウモロコシ、大豆、綿花の畑で、除草剤の使用量が平均59%減ったと発表しています。

日本でも、農研機構が令和6年度の検討会で、小麦、たまねぎ、キャベツ、てんさい、ばれいしょ、大麦の可変施肥の実証結果を取り上げました。検討会では、効果が出にくい圃場の見分け方も議題でした。

ゲノム選抜は、DNAの情報で品種開発の候補を絞り込む

ゲノム選抜は、ゲノム情報から有望な個体や交配の組み合わせを予測して選ぶ手法で、機械学習や深層学習のモデルが予測の精度を上げる目的で研究されています。2025年のレビュー（Zhangら、Technology in Agronomy誌）は、従来のBLUPやベイズ法と機械学習のモデルを比べ、選抜の効率と遺伝的な改良の速さを上げる手法として整理しています。

モデルの優劣は条件で変わります。レビューが挙げる研究では、LightGBMは親の情報を除いた学習ではrrBLUPなどを上回り、親の情報を入れた学習ではrrBLUPを下回りました。AIで開発期間がどれだけ短くなるかは、このレビューでは数値で示されていません。

収穫ロボットと自動運転トラクターに、AIの画像認識が使われている

収穫や耕作を行う機械には、AIの画像認識が使われています。米国のカリフォルニア州とフロリダ州のイチゴ栽培では、収穫期の途中で作業者が約半分に減ることがあります。日本でも、基幹的農業従事者は16年で約半分になり、100万人を下回りました。

ワシントン州立大学のイチゴ収穫ロボットは、AIが画像から熟した実を見つけ、葉に隠れた実にはファンで風を当てて見えるようにします。野外試験では、ファンを加えると収穫率が58.1%から73.9%に上がりました。試作機は、アームが高価で、1個の収穫に約20秒かかります。研究者は、目標を約7秒としています。

John Deereは2022年1月に、運転者のいない8Rトラクターを発表しました。6組のステレオカメラで周囲の障害物を見分け、GPSで走り、利用者はスマートフォンのアプリで作業範囲を指定します。同社は、2022年後半に出荷を始めるとしていました。

植物工場と代替タンパク質の研究に、AIが使われている

植物工場では、AIが照明と空調を制御して、電力の使用量を減らす研究があります。植物工場は、照明と空調を制御した屋内で野菜を育てます。コーネル大学の研究（Nature Food誌、2024年9月）は、深層強化学習と最適化の手法で制御し、レタス1kgあたりの電力使用量をAIなしの方式の9.5kWhから6.42kWhに減らしました。この研究が比べたのは電力使用量です。

天候に左右されない屋内の生産が増えると、食料を大規模な農地だけに頼るリスクが小さくなると思います。

代替タンパク質では、食品企業のNotCoが、AI「Giuseppe」で動物性食品の成分や味、物性をモデル化し、植物原料の組み合わせを探しています。NotCoの創業者らは、人なら小さな改良に数年かかる作業を、数週間で行っていると述べています。

細胞培養肉でのAI活用について、2024年のレビュー（Todhunterら、Frontiers in Artificial Intelligence誌）は、機械学習の利用が初期段階にあると述べています。培地設計の研究は、マウスやゼブラフィッシュの細胞を使ったものです。

一人ひとりの健康に合わせた作物の構想もあります。2022年の総説（Rennaら、Frontiers in Nutrition誌）は、水耕栽培で養液を調整し、カリウムを減らした野菜などを作る研究をまとめています。健康への効果と、AIが個人の健康データから成分を決める仕組みは、この総説では確かめられていません。

導入の課題は、コスト・通信・技能、データの権利、現場の知識の3つ

機械やデータを使える生産者と使えない生産者の差は、広がる可能性があります。国際食料政策研究所（IFPRI）の記事は、デジタル農業の道具が、通信環境や技能、組織の支えをすでに持つ人に有利になりやすいと指摘しています。記事が対象にしているのは、低・中所得国の小規模農家です。

課題	内容
コスト・通信・技能	イチゴ収穫ロボットの試作機は、アームが高価で大規模な農場には向きません。IFPRIの記事は、多くの小規模農家がスマートフォンを持たず、通信環境やデジタルの技能も限られていると指摘しています。
データの権利	IFPRIの記事によると、農業技術企業が契約やサービスの規約で農場のデータの権利を主張する場合があり、データがどう集められ、どう収益化されるかを知らない農家がいます。
現場の知識	IFPRIの記事によると、多くのデジタル技術は農家の意見をほとんど聞かずに作られ、農家の経験や地域の知識を取り入れていません。

IFPRIの記事は、農家の参加とデータの公正さが必要だと論じています。同じ記事は、技術を導入する側が、設計の段階で農家の意見を聞く必要があると述べています。