研究討論了如何運用大型語言模型（LLMs）的類人類推理能力來解釋和預測實驗結果，專注於氮氧化物（NO_x）與氨（NH₃）的選擇性催化還原反應。引入了一種新的提示策略「有序結構」CoT（OSCoT）。研究指出，使用OSCoT策略與GPT-4在預測實驗結果和提供直觀推理方面優於傳統方法和人類專家。 PubMed DOI

研究發現政府和企業合作能有效減少城市碳排放，並強調了專案特性和城市環境對合作成效的重要性。合作模式透過結構、技術和共同投資影響碳排放，提供了環境和氣候治理的新方向，有助於應對氣候變遷挑戰。 PubMed DOI

電動車和可再生能源的發展需要在電化學儲能系統上取得進展，如燃料電池和鋰離子電池等。這些技術雖然前景看好，但面臨高成本和材料稀缺等挑戰。本研究提出一種新穎的生成式人工智慧整合方案，利用生成對抗網絡、自編碼器和大型語言模型，改善材料發現和電池設計等方面。研究強調納米和微米尺度的互動對提升效率和延長壽命的重要性，並探討GenAI在儲能領域的挑戰與未來方向，旨在促進可持續的能源解決方案。 PubMed DOI

生命週期評估（LCA）在清單建模上常遇挑戰，特別是前景流數據不足及背景數據不一致。傳統方法如過程模擬和機器學習在可擴展性和通用性上表現不佳。大型語言模型（LLMs）有潛力解決這些問題，因為它們能利用廣泛的預訓練知識。將LLMs整合進LCI建模中，可以自動化整理數據並提升分析能力。本文探討LLMs如何應對挑戰，並建議未來研究方向，包括改善檢索增強生成（RAG）、整合知識圖譜及微調LLMs以適應LCI任務，期望能促進更自動化的LCI建模方法，提升LCA計算的數據品質。 PubMed DOI

這項研究指出，生成式人工智慧（GAI）對電子廢棄物的影響相當重大，特別是大型語言模型需要大量計算資源。預測顯示，從2020到2030年，GAI可能產生120萬到500萬噸的電子廢棄物，受多種因素影響。快速更換伺服器的做法可能會加劇這個問題。不過，若在GAI的價值鏈中採用循環經濟策略，電子廢棄物的產生可減少16%到86%。這凸顯了隨著GAI技術進步，積極管理電子廢棄物的重要性。 PubMed DOI

這項研究強調環境科學中創新研究方法的必要性，以應對氣候變遷和生物多樣性喪失等全球挑戰。由於現有文獻的複雜性，識別有意義的研究主題變得困難。傳統文獻計量學無法捕捉新興跨學科領域，但人工智慧（AI）和大型語言模型（LLMs）的進步提供了新機會。研究發現，GPT-3.5在分析環境科學前沿主題上表現更佳，顯示跨學科研究、AI和大數據對解決環境挑戰的重要性。LLMs可成為研究人員的寶貴工具，提供未來研究方向的靈感。 PubMed DOI

隨著對能源儲存電池需求的增加，廢電池處理的環境問題也日益受到關注。有效回收貴重金屬如鎳、鈷和錳至關重要，但傳統水冶金方法常用有害化學物質。研究提出結合天然多酚作為環保沉澱劑，並利用GPT-4優化回收過程。結果顯示，單寧酸對金屬離子的沉澱率分別達94.8%、96.7%和96.7%，超越傳統方法。這一創新不僅提高效率，還促進環境可持續性，展現人工智慧與綠色化學結合的潛力。 PubMed DOI

這項研究探討了利用AI模型，特別是GPT-3、GPT-3.5和GPT-4，自動化污水流行病學文獻篩選，以提升綜合分析的效率。結果顯示，GPT-4在識別原始數據論文方面表現優異，精確度達0.96，召回率為1.00，超越目前的人工篩選標準。不過，這些模型在準確識別相關取樣地點上仍有挑戰，顯示人類監督的重要性。研究強調模型設計的謹慎性，建議AI輔助篩選能提升WBE研究效率，但仍需人類介入以確保準確性。 PubMed DOI

這項研究首次探討大型語言模型（LLMs）在環境決策中的應用，分析其潛在優勢與限制。研究提出兩個框架：一是LLMs輔助的框架，增強人類專業知識；二是LLMs驅動的框架，自動化優化任務。透過水工程中PFAS控制的案例，顯示這兩個框架在環境決策中的優化效果。結果顯示，LLMs輔助框架在調節流量和改善PFAS攔截上表現良好，而LLMs驅動框架在複雜參數優化上則面臨挑戰。研究強調人工智慧應輔助而非取代人類專業知識，為未來的合作奠定基礎。 PubMed DOI

這項研究強調中央銀行的綠色溝通對減少高能耗企業碳排放的重要性，對實現可持續發展目標（SDGs）至關重要。研究分析了中國中央銀行5066篇綠色金融相關文本，並開發了「中央銀行綠色溝通指數」。結果顯示，增強綠色溝通能顯著降低碳排放，特別是在溝通頻繁的省份和大型企業中。研究指出，這一效果主要透過促進技術創新、加強外部監管及減輕財務約束來實現，建議中央銀行應加強綠色溝通並整合進監管和貨幣政策中。 PubMed DOI