歐盟食品安全與標示近期發展－以歐盟法院Teekanne案為例
本文為「經濟部產業技術司科技專案成果」
徐彪豪
法律研究員 編譯整理
澳洲雪梨聯邦法院於本月 24 日對分散式 P2P 業者 Kazaa 發出命令，要求 Kazaa 營運商 Sharman Networks 必須在 10 日內（ 12 月 5 日之前），在其提供下載的軟體中加入關鍵字過濾技術（ keyword filter system ），否則應立即停止營運。市場人士普遍認為 Kazaa 暫時停止營運的可能性相當地高。 源起於去年底澳洲當地唱片業者控告 Kazaa 一案，今年 9 月 5 日澳洲聯邦法院認定 Kazaa 營運商 Sharman Networks 構成著作權侵害，除判決唱片業者勝訴外，法院並判定 Kazaa 必須在 2 個月內修改其軟體程式，加入相關過濾技術，以避免使用者傳輸違法音樂檔案；另一方面，判決賦予唱片業界得提交 3000 個關鍵字名單 ( 包括了曲目及歌手姓名 ) 要求 Kazaa 加以過濾的權利，該名單並得每兩週加以更新。 直至本月 24 日， Kazaa 仍表示其無法控制高達 100 萬使用者的個人行為，拒絕修改其提供下載的 P2P 軟體，導致聯邦法院不得不下達最後通牒。 Kazaa 營運商 Sharman Networks 雖已提起上訴，但在現時關鍵字過濾技術實施不易之下，澳洲 Kazaa 恐將步上已於本月 7 日關閉的 Grokster 後塵。
美國最高法院認定美國環保署須負責管制溫室氣體排放今（2007）年4月2日，美國最高法院以5票對4票之決議，認定美國環保署（the Environmental Protection Agency）必須負責管制美國境內二氧化碳等溫室氣體之排放。過往，美國環保署主張其並無權限去管制溫室氣體排放，因為溫室氣體並不是美國潔淨空氣法（the Clear Air Act）所定義的空氣污染源（air pollutant）。然而，法院指出，在潔淨空氣法中要求美國環保署必須管制可能危害公眾健康或福祉的任何空氣污染源，而溫室氣體符合該法對於空氣污染源之定義，所以除非美國環保署可以斷定溫室氣體並未導致氣候變遷，或者可以提供合理解釋說明為何其無法判斷是否溫室氣體導致氣候變遷，否則美國環保署須依法對溫室氣體採取進一步行動。 判決同時指出，美國環保署不能以氣候變遷之不確定性為理由來迴避其職責，如果該不確定性足以防止美國環保署對於溫室氣體與氣候變遷兩者關聯做出合理判斷，則美國環保署必須說明清楚。 然而，持不同意見的法官則指出，法院應將全球暖化問題留給國會與總統來處理；且州政府（訴訟是由Massachusetts州為首的12個州政府對美國環保署提出）並無立場對美國環保署提出告訴。
日本公布「如何計算森林吸收的二氧化碳量」因應2021年10 月日本政府修訂的全球變暖對策計劃，訂立森林在2030年要達到3800萬噸的二氧化碳吸收量之目標，因此日本林業廳公布了「如何計算森林吸收的二氧化碳量」之方法，進一步展現森林吸收二氧化碳的功能，以提高民間企業和地方公共團體等公眾參與的植林、造林活動的意願，以及促進公眾對森林維護在全球暖化對策中的重要性認識。分別為下列三種計算方式： 森林一年吸收二氧化碳量的簡單計算方法 每1公頃森林一年吸收二氧化碳量=每公頃森林每年樹幹生長體積（m3/年·ha）×膨脹係數×（1+地下比率）×容積密度（t/m3）×碳含量×二氧化碳換算係數 林地復育增加森林吸收二氧化碳量的計算方法 因林地復育增加森林吸收二氧化碳量=有進行林地復育和沒有進行林地復育的森林估計累積量之差×膨脹係數×（1+地下比率）×容積密度(t/m3)×碳含量×二氧化碳換算係數 因種植森林土壤所維持之二氧化碳含量計算方法 因種植森林土壤所維持之二氧化碳含量=土壤平均碳累積量（tC/ha）×種植森林所保持的土壤量相關係數×種植森林之面積（公頃）×種植森林之年數×土壤流出時排放到大氣中的二氧化碳排放係數×二氧化碳換算係數 此份公告規範了日本未來如何計算森林吸收的二氧化碳量之方式，目前我國依據「國際氣候變遷專家委員會（IPCC）」建議公式，推估森林資源林木之碳貯存量，推估結果臺灣地區森林林木之碳貯存量約有754百萬公噸二氧化碳，每公頃平均碳存量約為每公頃378 公噸二氧化碳，對此亦可參考上述公式推算，以更了解我國的森林與碳管理關係。
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。