基因改造食品標示問題有新進展
加拿大目前對基因改造產品的政策是採取自願標示制度。然而魁北克省的消費者贊成應對含有機因改造成份之食品實施強制標示。本月初，該省農林廳長在一項會議中指出，基因改造產品可能存有環境方面的風險並且有消費者疑慮的問題，因此應嚴謹以對，改採取強制性標示制度，讓消費者可以自行選擇。雖然目前聯邦官員以及其他省份仍贊同現行的自願標示制度，首長們 ( 大部分反對強制標示的立法 ) 同意繼續討論此議題。
此外，目前近日美國阿拉斯加州亦通過 Bill 25 法案，強制對基因改造魚類及相關魚類產品作明顯標示。這項法案通過後，該州成為美國第一個針對基因改造食品標示問題作明確立法的一州，該法案更成為美國第一個要求標示基因改造食品的法案。有關觀察家預期這個法案將會帶動美國各州對基因改造食品之標示進行必要的規範。根據美國 Rutgers 大學於 2004 年 11 月所作的民調顯示，約有 89 ％的美國民眾希望基因改造食品應有明確的標示。
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
2. First-Ever U.S. Labeling LEGISLATION for Genetically Engineered Food BECOMES LAW in Alaskahttp://www.naturalnewswire.com/2005/06/firstever_us_la.html （ 2005/8/11 ）
馬來西亞政府計劃於2018年推行就業保險計畫（Employment Insurance Scheme，ＥＩＳ），為受雇人提供一個就業的社會安全網包括失業津貼和培訓支持，計畫內容： 適用範圍：典型受雇工作者。 基金管理機構： 社會安全機構（Social Security Organisation，SOCSO）。 保護內容：為被裁員工提供三個月至六個月的臨時財政援助。例如，在求職津貼下，失業人員可以獲得第一個月的假定月工資的80％，第二個月的50％，第三個月和第四個月的40％，第五個月和第六個月的30％。 保險費用：雇主必須負擔受僱人月薪之0.2％，僱員亦須繳納受僱人月薪之0.2％。繳費將根據員工的工資按固定比例計算。保費繳納之上限為收入4000令吉（Riggit Malaysia，RM）以上者，繳納的最高貢獻額為59.30令吉。 罰則：一萬元以下或兩年以下有期徒刑。 根據國際勞工組織(ILO)一項研究顯示，2011年越南失業人員中只有5％受到失業保險的保護，泰國則為25％。即使在非典型工作者較無問題出現的國家，失業人員的有效覆蓋率通常在40％到50％之間。主要原因在於，失業保險只包括典型工作者，然而亞洲較多數人為非典型工作者。 另一方面，2016年馬來西亞提高最低工資增加雇主負擔，使雇主感受到高額成本的壓力。推行就業保險計畫雇主所需承擔之成本又再次增加。這使得雇主不得不傾向選擇短期契約工作或外包工作。使得雇主減少雇用正式員工，本身待遇與福利居於弱勢的非典型工作者增加，反而使得計畫可以保護範圍縮小加深非典型工作者不平等問題。面對目前全球非典型工作者人數有快速膨脹趨勢，以及雇主捨棄高成本的雇用方式。如何立法保護或改善非典型工作者就業環境，將成為就業保險計畫另一個重要的核心議題。
生技產業的新活水 動植物得以申請專利行政院「生物技術產業指導小組委員會議」於去（2005）年12月通過經濟部智慧財產局提出的專利法修正案，將開放動植物得以申請專利。這項決議將在近期送交行政院院會，希望今年上半年能通過並順利送請立法院審議。 全球的動植物專利保護現況大致可分為三類，(1)完全開放動植物專利，例如美國、日本、新加坡等國家；(2)有限度開放動植物專利，但不包括之後經過育種選拔程序達到商業化標準的品種，如英國、德國、荷蘭、法國等歐盟國家。(3)只開放動植物改良方法專利保護，例如我國。 農委會和智慧財產局自去（2005）年起針對動植物專利議題進行多次協商，終於在去（2005）年6月達成共識：「為保障研發成果及促進產業升級，我國動、植物宜朝開放專利保護方向規劃」。為此，智慧財產局已決定刪除專利法第24條第一項「動植物新品種將不予發明專利」條文，開放人為技術產生的動植物「產品」及「方法」能申請專利。 台灣農業科技的發展表現向來是非常優越，近年來更是突飛猛進，不論是醫學、糧食、環境保護等均可運用生物科技的研發成果。是以，此項新的開放措施可視為政府推動生技產業的重大進展，而對生技業者來說無疑是注入新的活水。
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。