大型語言模型（LLMs）如GPT-3已經改變了人工智慧領域，但在應對輻射緊急情況的應用尚未被充分探索。研究討論了LLMs如何協助理解和因應輻射緊急情況，並提出了潛在應用案例。研究強調了專家引導和領域特定的LLMs對於提供可靠資訊的重要性。該研究旨在協助輻射緊急情況從業人員和決策者有效地整合LLMs到其決策過程中。 PubMed DOI

研究探討了大型語言模型（LLMs）在可持續政策制定上的應用，並介紹了結合人類和人工智慧的智能框架。進行了性能測試，比較了人類和人工智慧在制定可持續政策的表現。總結了七個步驟的方法，強調了人類智慧對改進智能系統的重要性。結果顯示LLMs的優缺點，並強調了人類智慧在提升智能系統中的關鍵作用。該框架提供了一種方法，以實現在可持續決策過程中的無偏見結果。 PubMed DOI

這項研究評估大型語言模型（LLMs）在從科學文獻中提取生態數據的表現，並與人類審稿人進行比較。結果顯示，LLMs提取相關數據的速度超過50倍，對於離散和類別數據的準確率超過90%。不過，它們在某些定量數據的提取上仍有困難。雖然LLMs能顯著提升建立大型生態數據庫的效率，但仍需額外的質量保證措施來確保數據的完整性。 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

大型語言模型（LLMs）的環境影響引發了不同看法。一些研究指出，訓練和使用LLMs會產生顯著的碳足跡，而另一些則認為LLMs可能比傳統方法更可持續。我們的分析顯示，儘管LLMs對環境有影響，但在美國，它們的效率可能高於人力勞動。經濟考量可能促使人類與LLMs共同工作，而非單純取代。隨著LLMs規模增長，能源消耗可能上升，這凸顯了持續研究以確保其可持續性的重要性。 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

現代大型語言模型（LLMs）引起了廣泛關注，展現出驚人的能力，但有時也會出錯，顯示出人工智慧在日常生活中的潛力與挑戰。雖然許多研究致力於改善這些模型，但人類與LLM的合作動態仍待深入探討。本文強調未來研究應優先考慮人類與LLM的互動，並指出可能妨礙合作的偏見，提出解決方案，並概述促進相互理解及提升團隊表現的研究目標，以改善推理與決策過程。 PubMed DOI

隨著城市成為人類活動的核心，城市感知的重要性日益提升。大型語言模型（LLMs）透過其語言框架，為城市感知帶來新機會。本文探討LLMs在理解城市機制上的潛力，重點在於改善人類與LLMs的知識轉移、提升對城市運作的認識，以及透過LLM代理實現自動化決策。雖然LLMs能提供更深入的城市動態理解，但也面臨多模態數據整合、時空推理、文化適應性和隱私等挑戰。未來的城市感知需善用LLMs的智慧，並克服這些挑戰，以促進智能和可持續的城市發展。 PubMed DOI

這篇評論強調大型語言模型（LLMs）在合成生物學（SynBio）教育與研究中的重要性，特別是在生物製造領域。文章比較了美國和中國的LLMs在解決SynBio問題上的表現，並探討了它們如何從非結構化數據中提取資訊、建立知識圖譜，及促進檢索增強生成。預期LLMs將提升代謝建模和工程中的設計-建造-測試-學習（DBTL）循環，並推動自動化實驗室的發展。最後，呼籲建立LLMs的基準、發展生物安全措施，並促進相關領域專家的合作。 PubMed DOI

污水處理廠面臨運營挑戰，因為生物、化學和物理過程之間的複雜互動。傳統的建模方法在處理多樣化數據時常遇困難。大型語言模型（LLMs）提供了新解決方案，能整合數據、識別模式並改善決策過程。這篇文章探討如何利用多代理LLMs來提升污水處理廠的過程控制和決策能力，並透過污泥膨脹案例展示其優勢。儘管存在計算成本和AI決策風險，但可透過驗證和人類監督來解決。總之，多代理LLMs是污水處理廠運營中的關鍵創新。 PubMed DOI