美國《確保關鍵礦產安全可靠供應的聯邦戰略》
《確保關鍵礦產安全可靠供應的聯邦戰略》（A Federal Strategy to Ensure Secure and Reliable Supplies of Critical Minerals），為美國商務部於2019年6月4日發布的一項國家層級礦產行動計劃，制定依據為美國總統於2017年12月20日發布的13817號行政命令，戰略目標是強化美國製造業與國防工業及礦產供應鏈彈性，推進研究開發工作，減少美國對中國大陸等外國實體的關鍵礦產資源依賴。
美國商務部表示，確保關鍵礦產供應穩定及供應鏈彈性，對於美國經濟繁榮與國防安全至關重要，過去美國過分依賴外國關鍵礦產資源及供應鏈，導致經濟和軍事出現戰略性弱點。據統計共有35種與美國經濟與國家安全相關的礦產品，包括鈾、鈦和稀土元素，為智慧手機、飛機、電腦和GPS導航系統及風力發動機、節能照明與混合動力汽車電池等綠色科技產品的必要組成。35種關鍵礦產中有31種選擇進口，其中更有14種關鍵礦產是完全依賴國外進口。
《確保關鍵礦產安全可靠供應的聯邦戰略》提出6項行動綱領包括：（1）推動關鍵礦產供應鏈的轉型研究、開發與部署；（2）加強美國關鍵礦產供應鏈和國防工業基地；（3）強化與關鍵礦產相關的國際貿易合作；（4）提升對國內關鍵礦產資源知識；（5）提升在美國聯邦土地上獲得關鍵礦產資源的機會，並簡化授權開採的審查程序；（6）增加美國關鍵礦產資源勞動力等。
本文為「經濟部產業技術司科技專案成果」
許祐寧
專案經理 編譯整理
馬來西亞農產業與產品部長（the Minister of Plantation Industries and Commodities）與印尼農業部長（the Minister of Agriculture）在今（2007）年5月25日共同表示，將採取行動來反制歐洲境內對其所生產棕櫚油有破壞生態環境之虞的論述。在全球暖化的議題發燒且歐盟設定再生能源使用目標的政策導引下，以棕櫚油為原料製造生質柴油的市場需求預期會大幅增加，這兩個全球最大棕櫚油產國於是認為許多對其棕櫚油生產不符永續發展要求的「不實」指控會影響其國內相關產業之發展。兩國政府與產業代表將以舉辦座談會、拜會歐洲各國官員與非政府組織的方式來提供「正確」資訊，同時兩國亦設定提升兩國棕櫚油年產量至1200萬公噸的目標。 然而世界自然基金會德國分會（WWF Germany）所發表的報告指出，棕櫚油之需求增加恐會導致棕櫚油產國的熱帶雨林遭砍伐來作為棕櫚樹的耕地。地球之友（Friends of the Earth）表示，目前已有90%的紅毛猩猩棲息地被破壞，此趨勢繼續下去野生紅毛猩猩將在12年內滅絕；綠色和平組織（Greenpeace）則指出印尼在2000至2005年間以全球最快的速率在砍伐森林，每小時有相當300個足球場面積的林地被破壞。此外，棕櫚油永續生產圓桌會議（the Roundtable on Sustainable Palm Oil，RSPO）亦開始研議棕櫚油生產的最低生態標準，希望能確保其生產符合永續發展之要求。
標準制定組織成員之專利揭露義務標準制定組織為了提高產業競爭，防止標準制定組織之會員們，在獲得涵蓋產業標準的專利權後，以壟斷性手段壓迫其他競爭對手，故通常會以智慧財產權政策要求參加的會員揭露其被標準制定組織選擇寫入標準的專利。其重要內容通常包括： 1. 必要專利揭露 許多標準制定組織皆有規定，標準必要專利權人應依以誠實信用及適當方式進行揭露之義務，例如IEEE及ETSI 。即對於討論中的技術標準，必須對標準制定組織及其參與者公開揭露所持有的必要專利。揭露的基本目的主要有三項 ： (1) 使標準開發相關工作小組會員可以掌握納入標準之多項候選技術的基本資訊（例如專利技術價值、成本及可行性等等），並做出適當選擇。 (2) 藉此得知須提出授權聲明或承諾的必要專利權人。 (3) 藉此讓必要專利的潛在實施者得知應向那些必要專利權人獲取必要專利相關資訊。 2. 事前揭露授權條款（ex-ante disclosure of licensing terms） 事前揭露授權條款係一種受保護之技術在被採納為標準必要專利前，將授權條件的揭露的機制，目前IEEE及ETSI採行自願性揭露方式。與必要智財權的揭露及授權聲明不同，其主要的目的在於讓標準制定委員會將技術採納為標準前，可以根據所揭露的授權條件來決定有那些技術在符合權利人授權條件下，有哪些技術可以納入標準，又有哪些不同替代技術，並據以作成決定 。
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。