台灣每人二氧化碳排放量逐年增加 全球第二十二名
台灣自一九九○年至二○○四年止，平均每人排放量自五‧五七公噸大幅增加至十一‧五九公噸，以國際能源總署 (IEA )截至2002年統計，全球排放量前三名為美國、中國及俄羅斯，台灣則排名全球第22名。
主計處表示，依 IEA 統計資料庫顯示，二○○二年全球二氧化碳排放量前六名為美國（57.1億噸，占全球23.3﹪）、中國（34.7億噸，占14.2﹪）、俄羅斯（15.2億噸，占6.2 ﹪）、日本（11.8億噸，占4.8 ﹪）、印度（10.5億噸，占4.3﹪）及德國（8.5億噸，占3.5 ﹪）。台灣則排第 22 名（1990年為第28名），排放量占全球總量約1﹪，而經濟發展程度與我國相近的南韓、新加坡排名分別為第9名（4.7億噸，占1.9﹪）及52名（5500萬噸，占0.2﹪）。
行政院主計處據工研院能源與資源研究所統計，公佈最新「我國燃料燃燒排放二氧化碳」概況，台灣溫室氣體排放以二氧化碳為最大宗，佔八成以上，至二○○四年為 2.6億噸。
主計處指出，為抑制人為溫室氣體排放導致全球氣候變遷加劇現象，聯合國在一九九二年通過「聯合國氣候變化綱要公約」，且為落實排放管制工作，具有約束效力的「京都議定書」，已在今年二月十六日正式生效，期使在二○○八至二○一二年間，六種溫室氣體排放量平均應削減至比一九九○年低五‧二 %水準。在全球持續增溫、海平面上升及氣候變遷加劇下，台灣雖非京都議定書締約國，但政府相關部會順應國際永續發展潮流，正積極落實檢討溫室氣體排放減量政策。
本文為「經濟部產業技術司科技專案成果」
陳怡玫
副主任兼規章法制組組長 編譯整理
德國KOINNO創新採購中心是由德國經濟暨能源辦事處(Bundesministerium für Wirtschaft und Energie)轄下的倉儲管理、採購與物流經濟協會(Bundesverband Materialwirtschaft,Einkauf und Logistik e.V, BME)所執掌，該協會主要任務為關於政府採購與各領域的物流管理的研發成果技術移轉、促進職業與終生教育的補助與經驗交流，目的在於創造未來趨勢、經濟發展與鼓勵創新。而KOINNO創新採購中心的成立宗旨即是持續提供政府採購的創新來源，並引導具有創新元素的政府採購實踐為成功經驗與最佳練習。 其中政府採購方面，BME在2004年建立該平臺，其功能為提供使研發成果能最佳實踐的對話交流、創造未來發展趨勢與創新、將研發成果技轉給採購機關與提升政府採購的價值。德國慕尼黑國防大學的公共採購法學與管理研究中心(Forschungszenturm für Recht und Management öffentlicher Beschaffung der Universität der Bundeswehr München,FoRMöB)是KOINNO的合作夥伴，同時也是德國唯一以企業經營與法學觀點分析公共採購問題的跨領域研究中心。
「液態高效價大麻二酚」（CBD）是否具備美國專利法上之新穎性？所謂「大麻」實為大麻屬植物，其中除了較常耳聞的娛樂用大麻外，尚包含工業用大麻（俗稱火麻，hemp），兩者區分標準在於四輕大麻酚（THC）成分高低，後者THC成分小於0.3%，難以做為娛樂用，由於大麻於過去曾有相當時間遭各國所禁止，因此與其有關之研究、專利申請案之數量可謂罕有。然而，近年來隨著各國逐漸放寬對大麻的限制，諸多藥商陸續投入以大麻為成分之藥品開發中，並執此取得專利申請，從而引發相關人士提出此種專利究竟是否具備新穎性之疑問。 日前於2018年7月間，美國即有藥商對此提出專利訴訟，全案大致背景如下：United Cannabis Corp.（下同UCANN）對Pure Hemp Collective Inc.（下同Pure Hemp）提出專利侵權訴訟，指稱Pure Hemp所研發之多款含CBD成分之藥物均侵害其編號9,730,911之專利（下同911專利）。而Pure Hemp則反駁，並稱911專利其中第1、5、16、20、25項聲明將此一專利範圍擴張至所有以液體型態存在之高效價大麻二酚（liquid form of high-potency cannabis），因此若其他藥品商以此一成分生產其他藥物，不論作用、成效是否相同，均可能侵害UCANN之專利權。 本案爭點在於：「以大麻中，早已廣泛流通於市面之大麻二酚（CBD）製成之藥品，是否具備專利法上之新穎性？」。對於系爭專利成分「液態高效價大麻二酚」，事實上已於美國銷售多時，從而此一成分是否具備「新穎性」即容有疑問。業界相關人士指出，美國專利及商標局（U.S. Patent and Trademark Office，下同當局）未審酌上開涵蓋過廣之專利聲明以及未顧及系爭專利成分已於市場流通多年此二種情況，即核發專利許可證，可以說是一種行政怠惰。同時間，也有論者較為持平的認為這可能得肇因於大麻專利申請案之前例過少，使得當局專職審核是否具備新穎性要件之相關人員要難查知。此種說法雖然稍有為當局開脫之嫌，但實際上也間接彰顯了專利審查人員於核發此種專利時，有判斷不周的情形。無論如何，目前全案尚在審判中，詳細結果，均有待判決做成後方知一二。
美國政府部門共同推動多項鼓勵住宅節能優惠措施美國能源部於去年 (2012) 12月21日宣布將投入九百萬美元挹注數項住屋節能科技。除此之外，美國國會亦於今年元旦通過美國納稅人緩稅法案 (American Taxpayer Relief Act of 2012)，而其中第四章能源稅延展的第408款將2005年能源政策法案 (Energy Policy Act of 2005) 第1332條所創設的能源效率新屋抵免 (Credit for Energy-efficient New Homes)，展期到2013年年底。 據美國能源部長朱隸文 (Steven Chu) 表示，該國家庭平均每戶每年花費近兩千美元於能源相關開銷，而其中有大部分皆因諸如住屋的屋頂、閣樓或牆壁間的空氣洩漏而流失浪費。相關研究並顯示，百分之四十二的能源都喪失於建築外殼(building envelope)，包括門、屋頂、閣樓、牆、地板和地基之中。該部於是決定投資建築圍護科技 (building envelope technology)的改進，包涵有高效能的窗戶、屋頂及冷暖器設備。 另方面，國會所通過的美國納稅人緩稅法案展延了包括能源效率新屋抵免(Credit for Energy-efficient New Homes)等十二項能源相關抵免或獎勵措施。其中第408條的展延將使美國國民得其於就其符合能源之星(Energy Start)認證標準之隔熱保溫工程、外部窗戶及門等2005年後所產生裝修支出 (含勞務承攬) 的百分之十，申報最高五百美元的賦稅減免。 2005 能源政策法法案所創設的能源效率新屋賦稅減免原定於2007年終止，之後由2006年的稅收抵免與醫療保健法案 (Tax Relief and Health Care Act of 2006) 延長至2008，再由08年的能源改進與延長法案 (The Energy Improvement and Extension Act of 2008) 展延至2009。其後，10年的減稅、失業保險再授權及工作機會增進法 (The Tax Relief, Unemployment Insurance Reauthorization, and Job Creation Act of 2010) 將其延伸至2011年年底，而目前通過美國納稅人緩稅法案再將其延至2013年12月31日。
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。