我國生物與遺傳資源權利歸屬及管理思維初探
本文為「經濟部產業技術司科技專案成果」
劉憶成
法律研究員 編譯整理
美國麻省理工學院企業論壇 (MIT Enterprise Forum) 日前在紐約市舉行了專家座談會，與會專家指出，新的網路搜尋技術，將改變數位內容產業的版圖。一個最重要的技術躍進，在於突破目前以文字為搜尋條件的限制，未來，透過新的技術，使用者將可以圖像、聲音甚至影片來進行搜尋。如此，數位內容產業的傳播將會更具效率，整個產業的發展也會更迅速，消費者也能更快速地享受到各種數位內容。且讓我們拭目以待。
美國FCC發布新廣電事業所有權限制規則的法規制定建議通知美國FCC在2011年12月22日發布了新廣電事業所有權限制規則的法規制定建議通知（Notice of proposed rulemaking, NPRM），進一步降低包括高功率無線電視台、廣播電台等地區性媒體集中、全國無線電視網所有權集中、以及地區性報社與無線電視台的跨媒體集中之管制密度。 廣電事業所有權限制規則自2000年之後歷經多次修正與涉訟，FCC於2003年的修正，於遭到2004年遭到聯邦第三巡迴法院的部份廢棄；2007年與2008年的修正，亦同樣遭到同法院的部份廢棄。而FCC在經2010年的四年一度檢視、並委託外界研究之後，再於此次進行修正、並諮詢各界。 FCC認為，寬頻網路確實使消費者轉向網路或行動平台接收新內容與影音節目，也連帶使媒體市場結構大幅變化。但新媒體目前尚未如傳統媒體般無所不在，主因是美國寬頻上網仍未普及，寬頻普及率僅70％；並有1400萬人無法接取寬頻基礎設施。而線上影音串流或下載節目皆要求最小寬頻頻寬，阻礙了新媒體的普及，因此廣電事業所有權限制規則對於維護競爭、在地化、多樣性、與保障少數族群、身心障礙者和女性的政策目標上，仍有存在必要。 此次NPRM重點如下： 1、維持地區無線電視所有權限制規則（Local Television Ownership Rule）； 2、維持地區報社／地區無線電視跨媒體所有權限制規則（Newspaper/Broadcast Cross-Ownership Rule）； 3、因既有地區無線電視、地區廣播所有權限制規則已足夠維護政策目標，廢除地區廣播電台／地區無線電視台跨媒體所有權限制規則（Radio/Television Cross-Ownership Rule）； 4、維持複數全國無線電視網所有權限制規則（Dual Network Rule）； 新訂少數族群與女性所有權保障規範。
Palm支付2.25億美元與Xerox達成專利侵權和解由於 Palm 採用 3C om 的手寫辨識技術，於 1997 年遭 Xerox 控訴侵犯其在 1997 年所取得的 Unistrokes 專利權， Xerox 要求 Palm 支付 Graffti 的使用權利金，否則便應停止在其 PDA 中使用此項技術。此案於今年 (2006) 6 月 28 日 經 紐約西區美國地方法院法官 Michael Telesca 判決 Palm 的 Graffiti( 手寫辨識軟體 ) 的確已侵害到 Xerox 權利。 Palm 同意支付 2.25 億美元以取得 Xerox 手寫辨識軟體的合法授權使用權，結束 1997 年以來長達 9 年的法律訴訟。事實上， Xerox 在 1997 年是控告後來被 3Com 收購的 U. S. Robotics 公司， 但 這家公司之後被 3Com 買下，後來 3Com 再將其獨立 成立 Palm Inc ，當時 Palm 將 Graffiti 技術嵌入旗下的 Pilot PDA 中，也把使用了 Graffiti 技術的軟體賣給其他 PDA 製造商。 這次 Palm 所支付的費用涵蓋了 Palm Inc 、 PalmSource 及 3C om ，這三家業者均取得 Unistrokes 及 Xerox 其他兩項技術的專利的授權。雙方的協議包括 7 年的「專利和平」（ patent peace ）期，在這期間內允許合理使用談定的專利，而且不再互控對方。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。