PubMed چکیده/رکورد

The Unequal Burden of Environmental and Health Costs of Energy-Intensive Artificial Intelligence.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

We examined environmental and public health implications of energy-intensive artificial intelligence (AI) infrastructure, emphasizing health equity, workers, and vulnerable communities. We analyzed evidence on AI infrastructure across its life cycle, including data-center electricity demand, fossil-fuel power, water use, heat, noise, critical-mineral extraction, occupational exposures, and electronic waste (e-waste). AI infrastructure can expose nearby communities and workers to air pollution, heat, noise, water stress, hazardous mining conditions, and e-waste toxicants. In 2023, US data centers consumed 4.4% of national electricity, much from fossil fuel combustion, contributing to climate change and air pollution. Data centers also consume large water volumes and generate e-waste, while demand for high-performance hardware intensifies upstream environmental and occupational hazards. These risks fall disproportionately on low-income, Indigenous, and other marginalized communities near data centers, mines, power plants, and e-waste recycling sites. Responsible AI governance should treat energy-intensive AI as a public health and health equity issue requiring health impact assessments, exposure surveillance, equitable siting, accountability, community participation, and fair distribution of AI's health-related benefits and burdens. (Am J Public Health. 2026;116(10):1529-1538. https://doi.org/10.2105/AJPH.2026.308683).

نتیجه فارسی

این مطالعه نشان می‌دهد که زیرساخت‌های هوش مصنوعی انرژی‌بر، ریسک‌های محیط‌زیستی و سلامت عمومی را ایجاد می‌کنند که نابرابرانه بر جوامع کم‌درآمد و آسیب‌پذیر سهم می‌گذارند. مراکز داده در سال ۲۰۲۳ بخش قابل توجهی از برق ملی را از سوخت فسیلی مصرف کردند. این فناوری با مصرف آب بالا و تولید پسماند الکترونیکی، خطرات شغلی و محیط‌زیستی را در مراحل تولید و حذف آن تشدید می‌کند. نویسندگان پیشنهاد می‌کنند که حاکمیت هوش مصنوعی باید به عنوان یک مسئله سلامت عمومی و عدالت سلامت مدیریت شود.

  • مراکز داده در سال ۲۰۲۳ ۴.۴٪ برق ملی آمریکا را مصرف کردند.
  • بخش زیادی از برق این مراکز از سوخت فسیلی تأمین می‌شود.
  • این زیرساخت‌ها با مصرف آب بالا و تولید پسماند الکترونیکی همراه هستند.
  • خطرات ناشی از این فناوری نابرابرانه بر جوامع کم‌درآمد و بومی است.
  • نیاز به ارزیابی اثرات سلامت و حاکمیت مسئولانه وجود دارد.

ترجمه فارسی چکیده

ما اثرات محیط‌زیستی و سلامت عمومی زیرساخت‌های هوش مصنوعی (AI) که انرژی زیادی مصرف می‌کنند را بررسی کردیم، با تأکید بر عدالت سلامت، کارگران و جوامع آسیب‌پذیر. ما شواهدی را از چرخه عمر زیرساخت‌های AI، از جمله تقاضای برق مراکز داده، نیروگاه‌های سوخت فسیلی، مصرف آب، گرما، سروصدا، استخراج معادن حیاتی، مواجهات شغلی و پسماند الکترونیکی (e-waste) تحلیل کردیم. زیرساخت‌های AI می‌توانند جوامع و کارگران نزدیک را در معرض آلودگی هوا، گرما، سروصدا، استرس آبی، شرایط معدن‌کاری خطرناک و سموم پسماند الکترونیکی قرار دهند. در سال ۲۰۲۳، مراکز داده در آمریکا ۴.۴٪ برق ملی را مصرف کردند، بخش زیادی از آن از احتراق سوخت فسیلی، که به تغییرات اقلیمی و آلودگی هوا کمک می‌کند. مراکز داده همچنین حجم‌های زیادی آب مصرف می‌کنند و پسماند الکترونیکی تولید می‌کنند، در حالی که تقاضا برای سخت‌افزار با عملکرد بالا، خطرات محیط‌زیستی و شغلی در بخش‌های بالادستی را تشدید می‌کند. این ریسک‌ها نابرابرانه بر جوامع کم‌درآمد، بومی و سایر جوامع حاشیه‌ای نزدیک مراکز داده، معادن، نیروگاه‌ها و سایت‌های بازیافت پسماند الکترونیکی سقوط می‌کنند. حاکمیت مسئولانه هوش مصنوعی باید زیرساخت‌های انرژی‌بر AI را به عنوان یک مسئله سلامت عمومی و عدالت سلامت در نظر بگیرد که نیاز به ارزیابی اثرات سلامت، نظارت بر مواجهه، مکان‌یابی عادلانه، پاسخگویی، مشارکت جوامع و توزیع عادلانه مزایا و بارهای مرتبط با سلامت AI را دارد.

روش پژوهش

مطالعه شواهدی را از چرخه عمر زیرساخت‌های هوش مصنوعی، از جمله مراکز داده، معادن و نیروگاه‌ها تحلیل کرد.

محدودیت‌ها

محدودیت‌ها در متن گزارش نشده‌اند.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
جوامع کم‌درآمد، جوامع بومی و سایر جوامع حاشیه‌ای نزدیک مراکز داده، معادن، نیروگاه‌ها و سایت‌های بازیافت پسماند الکترونیکی.
مداخله/مواجهه
هوش مصنوعی انرژی‌بر و زیرساخت‌های آن.
مقایسه
هیچ مقایسه‌ای انجام نشده است.
حجم نمونه
تعداد نمونه گزارش نشده است.

متن کامل اصلی

متن در JumpToDate ذخیره نشده است.

برای بررسی دسترسی کتابخانه‌ای یا خرید، رکورد اصلی را باز کنید.

رفتن به منبع اصلی
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2027

Global Genomic Surveillance.

Global genomic surveillance has emerged as a foundational pillar of public health in the twenty-first century, enabling real-time tracking of pathogen evolution and informing outbreak response. This chapter examines the strategic architecture of global genomic surveillance, focusing on its application to arboviruses such as chikungunya virus (CHIKV). It explores the integration of genomic data with epidemiological, clinical, and enviro…

PubMed2026

Development and Nationwide Multicentre Evaluation of Guideline-Grounded Large Language Model Chatbots to Support Patient Self-Management and Education in Rheumatology.

Patients with rheumatic diseases have persistent information needs that are not fully addressed in routine care. We developed and evaluated guideline-grounded, large language model (LLM) chatbots to support patient self-management and education in rheumatology.Ten disease-specific chatbots based on German guidelines were co-developed and deployed through 13 rheumatology centres and six patient organisations. Chatbot users rated respons…

PubMed2026

Liability and Standard of Care in AI-Driven Psychiatric Practice: European Viewpoint.

AI is increasingly incorporated into psychiatric triage, risk prediction, passive monitoring, clinical documentation, and patient-facing conversational systems. These applications may improve access, continuity, efficiency, and pattern recognition, but they also redistribute epistemic authority and complicate responsibility when harm occurs. European regulation is developed in relation to market access, data governance, risk management…

PubMed2026

Routine laboratory panels classify internal medicine ICD-10 code groups: comparison with frontier large language models and laboratory-only specialist assessment.

INTRODUCTION: Routine laboratory panels are nearly universal, but the panels' joint information is underused. We evaluated contemporaneous classification of International Statistical Classification of Diseases, Tenth Revision (ICD-10) code groups from same-encounter laboratory results. METHODS: We developed 17 eXtreme Gradient Boosting (XGBoost) classifiers in 242 648 adult internal medicine encounters using age, sex, and results from …