科技產業申請租稅減免 國稅局：申報浮濫
依照公司研究與發展及人才培訓支出適用投資抵減辦法審查要點第１點附表，研發支出只有包括全職研發人員薪資等九種支出才能抵減，而且業者須附薪資表及證明文件證明，才能減稅。但因為研發誘因優渥，企業總是先報再說，因此行政法院投資抵減的相關訴訟，十之八九都是國稅局勝訴。根據公司研究與發展及人才培訓支出適用投資抵減辦法第５條規定，公司的研發支出，在同一課稅年度內得按百分之三十抵減當年度應納營所稅額；支出總金額超過前二年度研發經費平均數者，超過部份得按百分之五十抵減當年度應納營所稅，當年度營所稅額不足抵減者，得在以後四年度營所稅額抵減。
國稅局提醒，申請研發減免企業必須提供研究計畫等證明，否則舉證不足反將被國稅局要求補稅，恐衝擊公司當年獲利。一般來說，適用投抵減稅金額愈高的公司，也愈常被選案查核，確保公司沒有僥倖逃稅心理。如果投抵項目涉及大陸地區，像是人才培訓支出，則應依臺灣地區與大陸地區人民關係條例第２４、２５、２５條之１條等法令規定，經主管機關核准，否則也將遭國稅局剔除補稅。
近年來，奈米科技已多方使用於食品製造業中，舉凡食品的殺菌、保存或食材的包裝等，皆為適例。然而，隨著奈米科技的影響層面逐漸擴大，無論係其功用的研發或風險的防範，仍有進一步研究之必要。 歐盟執委會(European Commission)根據2007年3月其新興健康風險科學委員會(SCENIHR)所提出之報告，認為應加強認識奈米科技對於食品安全之影響，遂邀請歐洲食品安全局(EFSA)就該領域提出科學看法。至2008年10月14日，歐洲食品安全局科學委員會即公布「奈米科技對於食品和飼料所引起之潛在風險(Potential Risks Arising from Nanoscience and Nanotechnology on Food and Feed Safety)」草擬意見，其內容係說明奈米科技應用於食品製造業之多種樣態、人為奈米材料(engineered nano materials，ENM)於食品或飼料製造過程中所產生之作用，以及判斷現有之風險評估方式能否合於需要。 該草擬意見歸結數項結論如下： (1) 因人為奈米材料之體積微小且具有高表面積，於人體吸收時較一般物質更容易產生反應。 (2) 關於化學物質於奈米尺寸下將產生何種變化，迄今無法做出令人滿意之科學論斷，因此就安全性與相關數據的累積，仍需要個別檢視。 (3) 建議應針對風險評估一事設置國際基準，且該基準可同時適用於人為奈米材料及一般化學物質。 (4) 食品與飼料中含有人為奈米材料者，於風險評估時應包括該材料特性之敘述，並進行毒理研究分析，使資訊蒐集更為完備。 由於人為奈米材料不確定之事項甚多，因此需要更豐富的資料加以釐清；而該草擬意見除提供歐盟執委會評估現行法制、研究可行措施外，亦向公眾廣徵回應；民眾可於2008年12月1日前，提供歐洲食品安全局相關科學證據或意見，待該局進行彙整後，將與歐盟會員國商討後續事宜。
論數位環境下個人資料保護法制之發展與難題－以「 數位足跡」之評價為核心 美國法院判LV勝訴，並可獲得3240萬美元的損害賠償法國知名品牌公司路易威登(Louis Vuitton，下稱LV) 與網際網路服務提供者(Internet Service Providers，以下簡稱ISP)之商標及著作權訴訟案，在2009年8月31日獲得加州聯邦地方法院陪審團的裁定，判定LV贏得商標及著作權侵害訴訟，並可獲得3240萬美元的損害賠償。LV在找到使用相同網址並且明知販賣LV假貨的網站後，於2007年提出著作權及商標侵害訴訟。 Steven Chen管理的Akanoc Solutions公司、Managed Solutions Group公司提供侵害LV商標及著作權網站網際網路的服務，加州聯邦地方法院陪審團認定Akanoc、Managed Solutions和Steven Chen須負輔助商標及著作權侵權之責任，並且要負損害賠償3240萬。同時，LV聲明希望法院對侵權的網站提出永久禁制令，禁止網站上兜售LV假貨。 陪審團的這項裁定引起網路上的討論，一般輿論都認為此項裁定賦予ISP業者太重的責任，然而陪審團決定的關鍵要點在於他們相信被告(Web Host)明知或可得而知侵權行為正在發生。 每日財經(Daily Finance)專欄作者Sam Gustin觀察指出：對於美國的ISP業者來說，此項規定傳達出一個清楚且略微可怕的訊息，當ISP業者提供服務的網站，有販售假貨或侵權物品，即便ISP業者有試著去阻止這項非法的活動，但卻失敗了，仍須負責。 LV智慧財產主管Nathalie Moullé-Berteaux認為陪審團所做出的這項裁定。對減少網站非法販賣偽造品或假貨跨出重要的一步，並且強制建立網際網路的法律規範
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。