循環型採購（Circular Procurement）
相較於綠色採購（Green public procurement, GPP）所揭櫫的於採購產品、服務或勞務時選擇於其生命週期中對於環境造成衝擊較小者，循環型採購（Circular Procurement）可說是在綠色採購的基礎上，加入循環經濟（Circular Economy）強調最大化資源利用效率的概念，使對於環境的影響與衝擊並非唯一的標準，而應考量產品、服務或勞務對資源的利用效益。
歐盟執委會於2017年10月發布《循環經濟公共採購範例與指引》（Public Procurement for A Circular Economy: Good Practice and Guidance），其中指出循環型採購的意義在於促進歐盟邁向循環經濟轉型，藉由循環型採購所創造的需求，達成循環經濟所強調封閉資源循環（Closing the Loop）以最大化資源利用效率的概念，並肯認政府採購為推動循環經濟轉型的重要誘因之一。
具體的循環型採購做法，包含選擇具高度資源循環利用性的產品，例如可維修、再利用或利於回收再循環的產品，以及以採購服務代替採購硬體等，透過循環型採購對於資源利用效率的重視，支持符合循環經濟概念的產品設計、研發技術與商業模式等創新成果，與提出這些解決方案的企業或團隊，進而達成促進社會邁向循環經濟轉型與永續發展的目標。
本文為「經濟部產業技術司科技專案成果」
范晏儒
專案經理 編譯整理
推動創新採購彈性機制－產業創新條例第27條之增修，資訊工業策進會科技法律研究所，https://stli.iii.org.tw/article-detail.aspx?tp=3&i=178&d=8001&no=66 （最後瀏覽日：2019/03/18）
2017年底，日本總務省(総務省)宣布實施Startup×Act計畫，委由知名智庫野村綜合研究所(株式会社野村総合研究所)辦理執行，希望透過與新創團隊共同協作的模式，運用資通信科技(Information Communication Technology, ICT)緩解日本高齡化、少子化、都市防災、城鄉差距等問題。該計畫第一期已於2018年2月執行完畢，並於2018年3月8日在東京舉行了計畫成果發表會。根據日本總務省新聞稿表示，Startup×Act計畫是參考美國的新創駐進計畫(Startup in Residence, STiR；或譯創業家居留計畫)進行設計。 STiR係舊金山公民創新市長辦公室(San Francisco Major’s Office of Civic Innovation)於2014年成立的計畫，該計畫強調以公私共同協作的方式解決政府所面臨的民生問題。STiR運作方式雖在個別城市略有差異，但大致係由地方政府選定特定數個待解決的都市問題，再以工作坊的形式與有興趣之新創團隊進行討論。整個計畫以16周為期，以公私共同開發出產品或服務原型為目標，最後由新創團隊進行提案報告，為都市問題提供解決方法。提案可能被市政府採納並在市政府的協助之下以該都市做為實證場域，未來更可能與市政府簽訂合作契約，進一步使該新創團隊成為一成熟型新創公司。據統計，平均每年參與STiR的新創團隊有半數獲得了與當地市政府的合約。目前STiR已經推行至全美包含華盛頓DC在內的11個城市，並在荷蘭阿姆斯特丹與海牙皆設有姊妹站，由此可見STiR模式獲得相當大的迴響與肯定，並具有跨域、跨文化之普適性。 日本參考STiR所推出的Startup×Act計畫於2017年底啟動，第一個參與的地方政府為京都府京丹後市，之後陸續有北海道天塩町、香川縣高松市、熊本縣熊本市加入計畫。Startup×Act的Act為Applications for Cities and Town之縮寫，彰顯城市作為新創產品或服務實證場域的計畫特色。 Startup×Act擇定健康醫療與社福照顧、育兒與教育、安全安心生活、城鄉發展與交通以及產業振興提升就業為五大都市問題。在Startup×Act計畫之下，地方政府毋須提供政府採購的需求說明書(Request for Proposal, RFP)，僅需提出希望解決之問題。舉例而言，香川市就提出「希望能讓被取消駕照資格的高齡者繼續享受出門購物的樂趣」，最後該案由一間VR新創公司提出解決方案。 STiR與Startup×Act這種類工作坊的高密度、高強度的腦力激盪與供需兩端直接溝通是其特色。時程短、彈性高，資源共享與知識流通量巨大，並且以解決問題為導向，能破除新創企業參與政府採購的障礙。新創團隊除了可以在短時間內累積大量地方社群與政府人脈，增加彼此信任度，更可以從具體的實證經驗當中學習並進一步拓展市場。
動物實驗顯示吸入奈米微粒會損害肺部與循環系統三月上旬甫於美國新奧爾良舉行的毒物學學會研討會，多數的論文將重點放在肺部暴露於奈米微粒的影響。例如來自美國太空總署休士頓太空中心的John T. James與其同僚，將奈米微粒噴入老鼠的呼吸道，於一週與三個月後再進行檢驗，結果發現儘管類似煤煙的碳奈米球狀物不會造成傷害，可是相當質量的商品化碳奈米管卻會顯著的損及肺部組織，甚至殺死幾隻老鼠。研究人員發現巨噬細胞(macrophages)會困住奈米管，不過隨之死亡。James認為研究小組所使用的劑量並不是非常不切實際，他估計在目前的美國聯邦碳吸入量法規限制下，相對於人體重量，工作人員在17天之內會吸入相等的劑量。 美國西維吉尼亞州國家職業安全與健康協會的Petia Simeonova與其同事，也觀察到接受類似劑量碳奈米管的老鼠會產生富含微粒的肺肉芽腫(granulomas)，研究人員也對心臟與主動脈的粒線體DNA進行損害檢查，粒線體傷害為發生動脈硬化(atherosclerosis)的先兆。 日本鳥取大學 (Tottori University )Akinori Shimada報告了首例奈米微粒從肺部移動到血液的系列圖像，碳奈米管一接觸到老鼠肺部極細小的氣管，即湧入穿過表面細胞的微小間隙，並且鑽入毛細血管，Shimada推測此會造成凝集甚至血栓。 羅徹斯特大學Alison Elder報告兔子吸入碳奈米球之後，增大了血液凝塊的敏感性。為了模擬糟糕的都市空氣污染，研究人員給予兔子每立方米包含70微克奈米球體微粒的空氣超過三小時，再觀察發生血液凝塊的時間，結果呼吸奈米微粒的兔子，一天之內即發生血液凝塊現象。因為發生的很快，所以Alison Elder認為奈米微粒是從肺部移動進入血流，而非從肺部送出凝血劑(clotting agents )。
美國聯邦最高法院受理美國發明法複審程序違憲爭議案美國聯邦最高法院於2017年6月13日受理Oil States Energy Servs., LLC v Greene’s Energy Group, LLC案之上訴，並將針對美國發明法的專利複審程序是否有違憲之虞的爭點進行處理。事實上，自從2016年美國聯邦最高法院的Cuozzo Speed案認定專利審判暨上訴委員會（Patent Trial and Appeal Board, PTAB）之專利複審程序可適用最寬廣合理解釋原則（broadest reasonable interpretation standard，BRI）後，針對美國專利法第314條規定美國專利複審程序之最終裁決結果不可上訴條款，就已經突顯出可能違憲之問題。加以來自各界的法庭之友於MCM訴惠普專利侵權案中提交意見書，以促使法院審理美國發明法的專利複審程序究竟有無違反美國憲法第3條及修正法案第7條，而有法律條文賦予行政機關司法權力是否違憲之議題，也再一次突顯專利複審程序可能存在的違憲問題。 本案件聯邦最高法院將對PTAB的權限以及專利複審程序進行重新檢視。倘若專利複審程序中PTAB最終裁決結果不可上訴條款造成違憲，可能會影響到美國專利制度之運作，不僅是正在申請或是已獲證的專利都會受到影響。而曾經被PTAB裁決無效的專利，也可能產生尋求司法救濟的可能。
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。