美國為加強聯邦補助生物科研之安全性而提出新規範
「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。
保險新品～開放原始碼保單由於開放原始碼的風氣盛行，使得許多 軟體業者 在使用開放原始碼軟體開發自家的軟體產品時，常不小心 逾越開放原始碼的授權範圍而陷身於 侵權的風險中。大抵一般比較常見的侵權情形，如企業開發專有軟體時， 利用單一或多樣以上的開放原始碼元件來建置，如交易工具或財產庫存管理應用程式等，而將這些程式流通於內部企業網路或是傳遞給外部客戶使用時，已構成”散佈”行為，是觸犯了開放原始碼 GPL （ General Public License ，通用公共許可 ）授權 。 日前位於紐約的 開放原始碼風險管理公司（ Open Source Risk Management ， OSRM ）結合 Lloyd's 保險業者 Kiln 及 Miller 保險經紀公司推出開放原始碼保單來承擔企業使用開放原始碼的風險，該保險單最高賠償金額為 1000 萬美元。平均而言，企業若是投保 100 萬美元的保單，每年大約必須支付 2 萬美元的保險費。
美國政府強化推動「更佳建築倡議」計畫美國總統歐巴馬於2011年2月3日，根據美國振興方案（Recovery Act）預算案，宣布推動「更佳建築倡議」（Better Buildings Initiative）計畫，這個倡議計畫承諾透過一系列的獎勵，促進私人企業在建築節能改善上進行投資，並以到2020年要讓商業建築的能源效率提高20％做為目標。 在今年的6月19日，美國能源部與商業部共同宣布選定三個「卓越建築營運中心」（Centers for Building Operations Excellence），由美國能源部和商務部國家標準與技術研究院的製造業擴展夥伴關係（National Institute of Standards and Technologies’ Manufacturing Extension Partnership，NIST MEP）聯合資助130萬美元成立此三個中心，乃為推動「更佳建築倡議」計畫的相關行動之一，希望藉由三個中心的運作，來達成提高能源效率20%，並且期望一年可以減少約400億美元的能源支出。 「卓越建築營運中心」將會與各大學、地方社區、技術學院、貿易協會，以及能源部的國家實驗室合作，建立培訓計劃，提供商業建築專業人士所需要的關鍵技能，以提升建築效率，同時降低了能源的浪費和節省資金。 此三個中心分別位於加州、賓州以及紐約州，提供機會讓當前和未來有可能參與潔淨能源經濟的人，學習寶貴的技能，並且著重在於開發課程以及試點培訓方案，以培育優良的建築的經營者、管理者與能源服務供應商，進行商業、工業與教育建築物上的調整與能源管理。