研究比較了AI系統和人類在寫作和插圖時的溫室氣體排放量，發現AI排放比人類低。雖然AI無法完全取代人類，且需考慮社會影響，但使用AI有潛力降低排放量。 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

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

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

為了降低自然語言算法在臨床研究中的環境影響，我們提出五個步驟： 1. **選擇節能模型**：使用經過優化的高效模型，考慮微調現有模型以節省能源。 2. **可持續基礎設施**：選擇使用可再生能源的雲端服務，與可持續供應商合作，減少碳足跡。 3. **優化訓練過程**：採用混合精度訓練等技術，降低計算資源需求，減少能源消耗。 4. **監測環境影響**：建立指標追蹤碳排放和資源使用，定期向利益相關者報告。 5. **促進合作**：與研究社群分享最佳實踐，推動可持續AI政策。 這些步驟能幫助臨床研究人員減少大型語言模型的環境影響。 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

這篇評論強調人工智慧（AI）在數位健康和生物工程等領域對環境的影響，特別是其能源需求和碳足跡常被忽視。雖然AI常被擬人化，強調「溫暖」和「關懷」，但這可能掩蓋其生態後果，並優先考量人類利益。分析呼籲轉變觀點，讓研究者認識AI的物質性和生態足跡，並提倡在AI設計中擺脫以人類為中心的思維，以促進對地球及其生命形式負責任的科學發展。 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