公私合作的科技創業投資機制研析－以德國高科技創業者基金(HTGF)為例
本文為「經濟部產業技術司科技專案成果」
美國國會於2021年3月9日提出「2021年儲能稅制獎勵及設置法草案」（Energy Storage Tax Incentive and Deployment Act of 2021, H.R.1684），擬擴大投資稅額抵減制度（Investment Tax Credit）之適用範圍。有鑑於現行投資稅額抵減制度並不包含儲能設備，然儲能設備對於再生能源發展又具有重要地位，故為獎勵儲能設備之設置，同時輔助再生能源發展，美國國會遂提出前揭草案，並修正美國1986年國內稅收法（Internal Revenue Code of 1986, 26 U.S. Code）§48（a）（3）（A）（vii）以及§25D（a）規定，擬將投資稅額抵減制度擴張及於儲能設備，亦即，未來如草案通過後，不論是發電業者或用電戶只要有合乎規範設置儲能設備，即可適用投資稅額抵減制度，並依照其投資於儲能設備之額度抵減所得稅。 依照美國1986年國內稅收法，現行美國投資稅額抵減制度主要是依照發電業者或用電戶「開始設置再生能源發電設備之時點」以及「設置成本」給予不同程度之所得稅抵減，如發電業者或用電戶越早開始設置再生能源發電設備，發電業者或用電戶可申請抵減所得稅之額度則越高，最高可達該再生能源發電設備成本之30%；反之，如開始設置的時間越晚，則可申請抵減所得稅之額度則越低。舉例言之，如申請人於2020年1月1日以前開始設置再生能源發電設備，而於2024年1月1日前將再生能源發電設備投入營運，此時可申請抵減所得稅之額度可達該再生能源發電設備成本之30%，反之，如為2021年間開始設置，而於2024年1月1日前將再生能源發電設備投入營運，此時可申請抵減所得稅之額度僅有該再生能源發電設備成本之22%。 依美國國家稅務局（Internal Revenue Service, IRS）「針對投資稅額抵減制度施工起點標準」行政函釋（Beginning of Construction for the Investment Tax Credit），有兩種判定再生能源發電設備有開始設置之標準，其一為「物理工作物標準」（Physical Work Test），其二為「5%成本支出標準」（Five Percent Safe Harbor），申請人只要符合任一標準，即可被認定有開始再生能源發電設備設置之行為。於「物理工作物標準」下，只要該再生能源發電設備之重要基礎零件已開始組裝，即可被認定為已經有再生能源發電設備設置的行為；於「5%成本支出標準」下，只要申請人已經支出該再生能源發電設備成本之5%，即可被認定有開始再生能源發電設備設置之行為。但不論以上開何種標準，申請人都必須有不中斷且持續進行設置之事實，始可被認定為其開始設置再生能源發電設備的時間點較早，而申請抵減較多之所得稅，否則即有可能被認定開始設置的時間點較晚，而僅得申請抵減較少之所得稅。
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。
從廣播電視節目概念之數位質變思考我國廣電法制之規範客體