Research in Health and Medical Sciences

en ارزیابی انتشارات کربنی هوش مصنوعی: یک مرور روایتی بر پیامدهای زیست‌محیطی مراکز داده و راهکارهای هوش مصنوعی سبز Assessment of Carbon Emissions Associated with Artificial Intelligence: A Narrative Review of Data Center Environmental Impacts and Green AI Strategies عمومى General مقدمه: رشد شتابان هوش مصنوعی (AI) و به‌ویژه مدل‌های زبانی بزرگ (LLMs)، این فناوری را به یکی از مؤثرترین نیروهای محرک تحول دیجیتال تبدیل کرده است. با وجود این، افزایش تصاعدی نیازهای محاسباتی، مراکز داده را به یکی از مصرف‌کنندگان اصلی انرژی و منابع نوظهور انتشار گازهای گلخانه‌ای بدل کرده است؛ به‌طوری‌که برآورد می‌شود بخش فناوری اطلاعات و ارتباطات (ICT) حدود ۲ تا ۴ درصد انتشار جهانی را شامل ‌شود. بررسی و تحلیل ردپای کربن AI برای سیاست‌گذاری، توسعه پایدار و برنامه‌ریزی زیرساختی ضروری است. روش کار: این مرور روایتی با جستجوی نظام‌مند در پایگاه‌های Scopus، Web of Science، PubMed، ScienceDirect و Google Scholar از ژانویه ۲۰۱۹ تا اکتبر ۲۰۲۵ انجام شد. کلیدواژه‌های فارسی و انگلیسی مرتبط با هوش مصنوعی، مرکز داده، کربن، انتشار گازهای گلخانه‌ای و هوش مصنوعی سبز با عملگرهای منطقی ترکیب شدند. معیار ورود شامل مقالات پژوهشی، مرور نظام‌مند، مرور روایتی و گزارش‌های فنی مرتبط با اندازه‌گیری یا کاهش ردپای کربن AI بود. مطالعاتی که تنها به کاربرد AI در محیط‌زیست (AI for Green) یا بررسی صرف سخت‌افزار می‌پرداختند حذف شدند. داده‌های استخراج‌شده دسته‌بندی و تحلیل کیفی شدند. نتایج: یافته‌ها نشان می‌دهد ردپای کربن هوش مصنوعی از چرخه حیات کامل مدل‌ها (شامل کربن نهفته، آموزش، استنتاج و پایان عمر)، رشد فزاینده تقاضای محاسباتی، سخت‌افزار مورد استفاده و تفاوت‌های جغرافیایی در شدت کربن ناشی می‌شود. گزارش‌ها نشان می‌دهد ۳۶۹ مدل مولد بین ۱۰ تا ۱۸ میلیون تن CO₂ در سال منتشر کرده‌اند و پیش‌بینی‌ها حاکی از افزایش این مقدار به حدود ۲۴۵ میلیون تن تا سال ۲۰۳۵ است. معماری‌های کارآمدتر مانند Moe تا ۱۰ برابر انرژی کمتری مصرف می‌کنند؛ TPUها حدود ۵۰ درصد کارآمدتر از GPUها هستند؛ مراکز داده با PUE نزدیک به ۱.۱ تا ۱.۴ عملکرد بسیار بهتری نسبت به مراکز با PUE بالای ۱.۶ دارند؛ و تفاوت جغرافیایی می‌تواند شدت کربنی را تا ۵ تا ۱۰ برابر تغییر دهد. رویکردهای هوش مصنوعی سبز نظیر تقطیر دانش، کوانتیزاسیون، بهینه‌سازی داده، استفاده از انرژی‌های تجدیدپذیر و ابزارهای پایش مانند Code Carbon  می‌توانند انتشار را تا هزار برابر کاهش دهند. نتیجه‌گیری: نتایج نشان می‌دهد ردپای کربن AI به‌عنوان یک واقعیت رو به رشد، می‌تواند روند گذار جهانی به اقتصاد کم‌کربن را تحت تأثیر قرار دهد. اتخاذ رویکردهای Green AI، افزایش شفافیت شرکت‌ها در گزارش‌دهی، استانداردسازی متریک‌های اندازه‌گیری و ارتقای بهره‌وری مراکز داده از ضرورت‌های اصلی کاهش اثرات زیست‌محیطی است. توسعه مسئولانه و پایدار هوش مصنوعی تنها با همکاری نزدیک جامعه علمی، صنعت و سیاست‌گذاران قابل دستیابی است و توجه به پایداری باید به یکی از معیارهای اصلی توسعه فناوری تبدیل شود.   The rapid growth of Artificial Intelligence (AI), especially Large Language Models (LLMs), fuels digital transformation but raises computational demand, making data centers major energy users and emission sources. The Information and Communication Technology (ICT) sector contributes 2–4% of global emissions. Assessing AI’s carbon footprint is vital for sustainability and policy planning. This narrative review systematically searched Scopus, Web of Science, PubMed, ScienceDirect, and Google Scholar from January 2019 to October 2025. Keywords related to AI, data centers, carbon, greenhouse gas emissions, and green AI were combined using Boolean operators. Included studies covered original research, reviews, and technical reports on measuring or mitigating AI’s carbon footprint. Studies focused only on AI’s environmental applications or hardware design were excluded. Data were qualitatively categorized and analyzed. AI’s carbon footprint arises from the full model lifecycle—including embodied carbon, training, inference, and end-of-life—along with growing computational demand, hardware efficiency, and geographic carbon intensity variations. Currently, 369 generative models emit 10–18 million tons of CO₂ annually, projected to reach 245 million tons by 2035. Efficient architectures like Mixture-of-Experts (MoE) can reduce energy use tenfold; Tensor Processing Units (TPUs) are about 50% more efficient than GPUs; and data centers with a Power Usage Effectiveness (PUE) of 1.1–1.4 outperform those above 1.6. Geographic location can cause 5- to 10-fold differences in carbon intensity. Green AI techniques—such as knowledge distillation, quantization, data optimization, renewable energy, and tools like Code Carbon—can cut emissions by up to three orders of magnitude. AI’s growing carbon footprint challenges the shift to a low-carbon economy. Mitigation requires Green AI, transparency, standardized metrics, and efficient data centers. Sustainable AI depends on collaboration among researchers, industry, and policymakers, with sustainability as a key principle. هوش مصنوعی, ردپای کربن, مراکز داده, انتشار گازهای گلخانه‌ای, هوش مصنوعی سبز. Artificial intelligence, Carbon footprint, Data centers, Greenhouse gas emissions, Green AI. 29 42 http://jrhms.thums.ac.ir/browse.php?a_code=A-10-177-1&slc_lang=en&sid=1 Abbas Abbasnia abbasnia69@yahoo.com 10031947532846001542 10031947532846001542 No Health Sciences Research Center, Torbat Heydariyeh University of Medical Sciences, Torbat Heydariyeh, Iran Morteza Bahlgerdi 10031947532846001543 10031947532846001543 No Student Research Committee, School of Health, Iran University of Medical Sciences, Tehran, Iran Hossein Farash khayalo 10031947532846001544 10031947532846001544 No Student Research Committee, School of Health, Iran University of Medical Sciences, Tehran, Iran Edris Bazrafshan 10031947532846001545 10031947532846001545 No Health Sciences Research Center, Torbat Heydariyeh University of Medical Sciences, Torbat Heydariyeh, Iran Zohre Moeini moeini.zohre@yahoo.com 10031947532846001546 10031947532846001546 Yes Health Sciences Research Center, Torbat Heydariyeh University of Medical Sciences, Torbat Heydariyeh, Iran