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

這項研究介紹了MaTableGPT，一個基於GPT的工具，專門從材料科學文獻中的表格提取數據，特別針對水分解催化劑。傳統的提取方法因表格格式多樣而不夠有效。MaTableGPT透過改進的數據表示和分割策略，提升理解能力，提取準確率高達96.8%。研究比較了零樣本、少樣本和微調學習方法，發現少樣本學習在準確性和成本上達到最佳平衡，提取準確率超過95%。此外，MaTableGPT建立的數據庫為催化劑的過電位和元素利用率提供了重要見解。 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

隨著微塑料對健康影響的關注增加，對高品質數據的需求也隨之上升。目前的質量保證和控制（QA/QC）框架因手動評估耗時且不一致而面臨挑戰。本研究探討利用人工智慧（AI），特別是大型語言模型（LLMs），如ChatGPT和Gemini，來提升微塑料研究中的QA/QC過程。研究結果顯示，AI能有效提取信息並評估研究可靠性，顯示出在環境科學中標準化微塑料風險評估的潛力。 PubMed DOI

準確測量溫室氣體排放對於減少環境影響的組織非常重要。生命週期評估雖能評估產品的環境影響，但量化超出控制範圍的排放卻很困難，通常依賴排放因子。傳統手動選擇排放因子的方法繁瑣且易出錯。為了解決這個問題，我們提出了一種AI輔助的方法，利用自然語言處理和機器學習自動推薦排放因子，並提供易懂的理由。測試結果顯示，我們的方法在自動化情境下達到86.9%的精確度，幫助組織更有效地朝向淨零排放目標邁進。 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

這項研究用AI結合資料庫、語言模型和模擬技術，大幅加快氫化物固態電解質的發現。新方法找出有潛力、具新型離子遷移機制的材料，並能準確預測活化能。有些含碳氫化物的離子遷移障礙超低（最低0.62 eV），有助於快速篩選下一代電池材料。 PubMed DOI

大型語言模型正帶動材料科學革新，讓自動化材料發現成真，像是資料擷取、性質預測都更有效率。不過，目前還有專業知識整合不夠、資源消耗大等問題。未來要加強LLM的適應性、效率和可信度，才能讓這些技術在實際應用上更可靠、更公平。 PubMed DOI

這項研究用大型語言模型（LLM）多智能體系統，快速分析文獻，找到新型、低成本又環保的深共熔電解質（DEEs）應用於鋅離子電池。發現 Zn(BF₄)₂·xH₂O-EC 電解質不僅導電性高、穩定電壓範圍大，還有優異的電池壽命和倍率。LLM 有效加速材料發現，為材料研究帶來新突破。 PubMed DOI