美國白宮發布國家生物經濟藍圖
美國白宮終於2012年4月26日正式發布「國家生物經濟藍圖」（National Bioeconomy Blueprint），宣告未來美國將以生物技術為首的投資、研究與商業經濟活動列為優先支持的對象。近年來美國苦思於如何在國內經濟成長疲軟與失業問題上尋求解套，而有鑒於全球「生物經濟」（Bioeconomy）的快速崛起，歐巴馬政府遂寄望於生物經濟，期望藉由支持生物技術的研究創新與商業活動，帶動國內投資、提升就業率及經濟成長，並仰賴生物科技的發展增進國民福址。因此，白宮科學與技術政策辦公室（The White House's Office of Science and Technology Policy, OSTP）便於2011年10月起開始向生物醫藥、生物科技相關產業及研究機構徵集意見，歷經半年的規劃，始產出此部發展藍圖。
國家生物經濟藍圖首先劃定生物經濟的五大趨勢，包括：健康、能源、農業、環境及知識技術的分享。其次揭示了未來美國生物經濟的五大發展策略目標及其具體作法： （一）支持各項研發投資以建立生物經濟的發展基礎：
（1）強化生物技術的各類研究發展，如生物醫藥、生質能源、生物綠建築、生物農業等（二）促進生物技術發明的市場應用與商業化：
（2）實施新的補助機制以使得生物經濟投資達最大化，例如國家科學基金會於2012年推動的CERATIV（Creative Research Awards for Transformative Interdisciplinary Ventures）獎補助計畫。
（1）加強生物醫藥的轉譯及管制科學（translational and regulatory science）發展；（三）改革並發展相關規範，以減少法規障礙、增加規範程序的效率與可預測性：
（2）由國家衛生研究院（National Institutes of Health，NIH）及食品藥物管理局（Food and Drug Administration，FDA）等相關主管機關主動檢視、調整既有法規，以加速生物技術成果的商業化（如生物醫藥的上市）。
（1）減少可能影響生醫產業發展的法規障礙；（四）更新相關國家人才培訓計畫，並調整學術機構對學生訓練的獎勵機制，以符合國家與產業發展的勞動需求。
（2）對於低風險的醫療裝置，降低其遵循法規的成本負擔；
（3）由食品藥物管理局等相關主管機關，對於醫藥產品採行雙向規範審查（Parallel Regulatory Review），以減少產品上市時間。
（五）支持公私夥伴及競爭前合作（Precompetitive Collaborations）關係的發展：由國家衛生研究院及食品藥物管理局等相關主管機關鼓勵、支持公私或私人部門間形成夥伴關係，共同針對生物醫藥及食品安全進行創新研究發展。
由「國家生物經濟藍圖」對美國未來生物經濟發展的策略及具體做法看來，其內容相當廣泛，從促進各種生物技術的研發投資、生技成果商業化運用、產品上市管制鬆綁、科技人員培育，再到公私部門合作的增進，完整涵蓋了整個生物技術產業發展的各個必要環節，雖已點出生物技術產業發展有待突破之處，但對於其具體法規與配套機制，仍有待日後一一落實。因此，未來本藍圖將如何形塑美國各領域生物技術產業的輪廓，並影響法規與促進機制之細節，值得持續觀察之。
本文為「經濟部產業技術司科技專案成果」
英國內政部於2012年6月提出「通訊資料法」之草案（Draft Communications Data Bill），並將於10月舉行公聽會討論。 所謂通訊資料，非指通訊內容本身之資料，而係指通訊過程中所留下的相關紀錄性資料，包括通訊帳號所有人之資料、通訊之時間、長度、來源、位置等。而目前蒐集通訊資料之用途，多半為犯罪之偵防、避免緊急危難或反恐怖活動。其所牽涉之議題重點則為向提供通訊服務之公司調閱相關資料時，該公司是否有提供之義務，及調閱機關是否有相關權限或對資料之應用是否符合調閱之目的。 此次所提出之草案，主要可分為三大部分：第一部分賦予公務機關調閱資料之權限，並規定使用該等資料過程中，相關的安全保護措施與法定程序要求。第二部分規定調閱資料所必須的法定審查流程，包括主管機關內具備權限的高階主管，應依據比例原則，決定是否可調閱資料，並在一定情況下，須經司法機關審查。另外，國務大臣應建立一定審查機制，審核各主管機關之調閱目的與調閱程序恰當與否。最後，第三部分則是有關提升審查制度運作可能性之規定，諸如明訂各個機關所享有之調閱權，以及提供郵務及電信業務經營者相當之資源以配合機關調閱資料之需求。
談服務貿易總協定下我國服務業研發補貼措施之國民待遇問題 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。