美國眾議院通過綠色化學研發法案
美國眾議院本（9）月通過「2007年綠色化學研究發展法案」（The Green Chemistry Research and Development Act of 2007），其目的在要求總統建立「綠色化學研究發展計畫」（Green Chemistry Research and Development Program），統籌改善聯邦政府對於綠色化學研發、教育宣導及技術移轉等活動之資源投入，而綠色化學則是指那些依安全與有效生產程序製造高品質產品時、能減少使用或產生毒性化學物質之化學產品或製程技術。美國化學協會（American Chemical Society）讚許眾議院通過本法案是睿智的舉動，表示發展綠色化學最能證明經濟和環境得同時併進，發展綠色企業實務，改善藥學加工及本土營建產業以迎刃氣候變遷及能源危機等挑戰。
本法案並要求自明（2008）年起，編列經費由以下政府單位合作執行本計畫，即國家科學基金（National Science Foundation）、國家標準技術研究院（National Institute of Standards and Technology）、能源局（Department of Energy）及環保署（Environmental Protection Agency）。參議院在過去兩屆都通過類似的法案，尚等待參議院支持通過相同法案，以獲得生效。
為減低對石化原料的依賴、發展生物經濟，美國政府積極投入促進綠色科技、生質科技之研發活動，例如從農林廢棄物或副產品或其他來源開發再生性原物料供綠色化學使用。此外，美國政府亦資助建立了生質（biomass）能源及產品的網路圖書館（BioWeb）；BioWeb所收錄的生質科技資訊、文獻，許多都是來自大學或國家實驗室著名研究人員，都會先經各領域專家進行嚴格的同儕審查（peer-review），再開給所有公眾瀏覽；BioWeb將會持續蒐羅各種基礎及應用科學知識，並擴充各種經濟及政策相關資訊。BioWeb的理想目標，是擴大規模成為最大最有價值的生質燃料、能源及產品公共資料庫。
本文為「經濟部產業技術司科技專案成果」
歐盟執委會（European Commission, EC）於2021年6月21日發布2021歐洲創新計分板報告（European Innovation Scoreboard 2021, EIS），其以「整體架構條件」（Framework conditions）、「投資」、「創新活動」和「影響力」（Impacts）四大評比指標，其下再細分為12個次標和32個子標，次標例如人力資源、企業創新、就業影響力等；子標則例如政府部門研發創新支出、企業專業職能訓練、專利與商標申請、高科技產品出口等。相較於2020年創新計分板報告的10個次標和27個子標，本次新增2個次標為列屬在「投資」下的資通訊運用（Use of information technologies），以及在「影響力」下的環境永續。資通訊使用廣度又可分為（1）企業是否提供教育訓練以提升員工的資通訊技能、（2）是否聘用資通訊專家。而環境永續下又可細分為（1）資源生產力（Resource productivity）、（2）產業排放PM2.5狀況、（3）環境相關技術發展狀況；以上即為今年新增的5項子標。 歐洲計分板依前述指標將歐盟會員國創新表現分為四組，2021年綜合創新能力分別為：（1）創新領導者（Innovation Leaders）：包含瑞典、芬蘭、丹麥、比利時，為創新表現大於歐盟成員國平均創新度，且超過25%以上者；（2）優秀創新者（Strong Innovators）：包含荷蘭、德國、盧森堡、奧地利、法國等，創新表現大於歐盟成員國平均但不超過25%者；（3）中等創新者（Moderate Innovators）：包含義大利、馬爾他、西班牙、葡萄牙等國，其創新表現小於歐盟平均者；以及最後一組（4）新興創新者（Emerging Innovators）：包含匈牙利、波蘭、羅馬尼亞等，為創新表現低於歐盟平均之70%。其中第四組新興創新者為新名稱，以取代2020年的適度創新者（Modest Innovators），且今年共有7個國家落入第四組，相比2020年的2個國家還要增加許多。 此外，在各特定領域上，該報告亦有對不同國家進行排名。例如在數位化領域，表現最好者為丹麥、芬蘭、荷蘭。在企業投資部分，以德國、瑞典和比利時為最佳。而在全球綜合創新表現上，歐盟綜整OECD和世界銀行的數據分析，南韓為創新表現最佳，其次才是加拿大、澳洲、美國、日本和歐盟。歐盟於2020年之創新排名領先美國，但在2020年到2021年之間，美國之中小企業產品與流程創新大幅增長至2020年的兩倍，故創新排名從第6進步到第4。
美國營業秘密之獨立經濟價值的認定趨勢變化2023年6月來自美國法院的兩份營業秘密意見，強調了獨立經濟價值的重要性，並打破過往學者認為該要件沒有判斷實益的擔憂。所謂的獨立經濟價值，是指任何資訊若要成為營業秘密，所需具備源自其保密狀態的經濟價值。由於兩份意見都不允許原告透過薄弱之推論與假設，來證明其營業秘密具有獨立之經濟價值，顯示出法院對獨立經濟價值之認定趨勢的變化。 其中一份意見來自美國第四巡迴上訴法院，該法院認為原告未能提供充分的證據證明其營業秘密之價值，並駁回原告以該公司被收購之價格或授權其專有資料庫VulnDB所得收入，作為其75項涉案營業秘密經濟價值的論點。美國第四巡迴上訴法院強調，原告不僅需證明所主張之營業秘密具有經濟價值，尚需證明該經濟價值源自所主張之營業秘密的保密狀態。 另一份意見來自美國俄亥俄州北區地方法院，該法院駁回了原告透過其執行長的宣誓書來證明所主張之營業秘密具有獨立經濟價值的作法。儘管該宣誓書討論了法院經常認定為營業秘密的資訊，比如交易的形式、未經審計的財務報表等，但美國俄亥俄州北區地方法院仍拒絕主觀證詞，要求原告提供所主張之營業秘密具有獨立經濟價值的客觀指標或理由。 企業該如何證明其營業秘密具有獨立之經濟價值？ 企業可透過下列方式來證明其營業秘密具有獨立之經濟價值，包括： 1.開發成本：開發營業秘密的時間與材料成本，但過去的研發成本未必等於現在的經濟價值； 2.授權、租賃費：他人付費使用其營業秘密的事實； 3.內部通訊紀錄：他人承認該營業秘密所帶來的好處或前僱員、承包商與其競爭對手分享營業秘密的事實； 4.展現出優勢：透過營業秘密資訊獲得一份有價值的合約或滿足某些標準、條件之要求； 5.降低成本／提高效率：透過營業秘密減少原物料之投入及所需時間或提高生產之效率。 隨著美國法院對獨立經濟價值之認定趨勢的變化，營業秘密案件之原告所負的舉證責任將逐漸提高。據此，當企業欲提出不當使用營業秘密之損害賠償時，應盡早開始收集相關證據，以滿足法院對於營業秘密之獨立經濟價值的認定標準。 本文同步刊登於TIPS網站（https://www.tips.org.tw）。
美國商務部、財政部以及司法部發布遵循美國出口管制與制裁規範聯合指引美國商務部（Department of Commerce）、財政部（Department of Treasury）以及司法部（Department of Justice）於2024年3月6日發布出口管制與制裁法令遵循指引，以避免邪惡政權（malign regimes）與其他不法人士試圖濫用商業與金融管道，取得有危害美國國家安全與外交政策利益、全球和平與繁榮風險的貨品、技術以及服務，特別提供「非美國公司」（non-U.S. companies），降低相關風險的遵循指引。 該指引分享3則違反制裁法規的案例，重點如下： （1）某家總部位於澳洲的國際貨運代理和物流公司，運送貨品至北韓、伊朗以及敘利亞（皆為被制裁之目的地），且透過美國金融系統發起或收受交易款項，導致美國金融機構與被制裁之對象交易，並向受制裁的司法管轄區輸出金融服務。該公司最終繳納6,131,855美元罰款。 （2）某阿聯酋公司與杜拜以及伊朗公司共謀，透過在出口文件中將一家杜拜公司錯誤地列為最終使用人，然後從一家美國公司出口「儲槽清洗裝置」（storage tank cleaning units）到伊朗，構成違反出口管制規定行為。後與主管機關達成行政和解，繳納415,695美元罰款。 （3）某家總部位於瑞典的國際金融機構的子公司，因其客戶從被制裁的司法管轄區的IP位址，使用子公司的網路銀行平台，透過美國代理銀行向位於被制裁司法管轄區的交易對象付款，因此繳納3,430,900美元罰款。
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。