美國公布「2050淨零排放之路：美國長期策略」
美國於2021年11月1日公布「2050淨零排放之路：美國長期策略」（The Long-Term Strategy of the United States: Pathways to Net-Zero Greenhouse Gas Emissions by 2050），確立美國未來十年溫室氣體減量發展方向，希望透過聯邦政府與各州、地方政府間合作，並結合社會整體力量，使美國可以在2050年實現淨零排放，並支持更加永續、具彈性且平等的經濟發展，實現完全的零碳污染、強化經濟及提升大眾健康。
本報告首先強調從現在開始至2030年約十年間溫室氣體排放減量的重要性，並說明美國接下來將以溫室氣體排放減量，作為未來達成淨零排放目標之基礎。為了達成淨零排放，美國計畫自能源、產業的排放結構著手推動轉型，報告中公布五項具體目標：
- 電力脫碳化：近年來因為風力及太陽能等潔淨能源發電成本急遽降低，能源轉型的腳步也逐漸加快，在此基礎上，美國訂定2035年達到100%潔淨電能的目標，並預計電力部門可於2050年以前達到真正的淨零排放。
- 電動化或轉換為潔淨能源：推動各部門電動化，使交通、建築物及工業製程可以使用合理成本且具一定效率的電力作為主要能源；針對航空、海運及部分工業製程等以現行科技水準較難實現電動化的經濟活動，則推動轉換為氫能、永續生質能等較潔淨的燃料。
- 減少能源浪費：透過新技術的開發，提升能源使用效率，例如於新建建築物使用能源效率較優的設備、更新既有建物之設備、改善工業製程的能源效率等。
- 降低甲烷等非二氧化碳溫室氣體排放：採取適當措施以減少甲烷、氫氟碳化合物、氮氧化物等非二氧化碳溫室氣體之排放，包括於石油及天然氣系統加裝甲烷洩漏感測器，以監控其洩漏狀態，以及將冷卻設備中的制冷劑從氫氟碳化合物更換為環境友善的其他物質。
- 移除大氣中二氧化碳：增加自然碳匯，或以目前可實際運用的技術吸收大氣中的二氧化碳。
美國預計結合聯邦、地方政府，以及產業、學術機構、投資人等社會各界，透過政策執行，強化推動能源、運輸、土地利用等經濟活動的溫室氣體減量工作；同時，配合資金導入，支持並給予各部門足夠的誘因投入潔淨技術的開發，並透過合作，以減少技術開發時可能遭遇的障礙及付出的成本，帶動美國整體朝淨零目標邁進。
本文為「經濟部產業技術司科技專案成果」
蔡淳宇
副法律研究員 編譯整理
The Long-Term Strategy of the United States: Pathways to Net-Zero Greenhouse Gas Emissions by 2050, United States Department of State and the United States Executive Office of the President, July 14, 2021, https://www.whitehouse.gov/wp-content/uploads/2021/10/US-Long-Term-Strategy.pdf (last visited Nov. 5, 2021).
蔡淳宇，〈歐盟「Fit for 55」溫室氣體減量政策〉，資策會科法所法律要聞，https://stli.iii.org.tw/article-detail.aspx?no=64&tp=1&d=8708（最後瀏覽日：2021/11/5）。
陳咸蓁，〈歐盟於2020年3月提出「歐洲氣候法」草案以實踐零碳排願景〉，資策會科法所法律要聞，https://stli.iii.org.tw/article-detail.aspx?no=64&tp=1&d=8503（最後瀏覽日：2021/07/30）。
根據美國公共電視台在2016年1月6日的新聞，指出生物支付將可能成為新興支付工具。生物支付之定義為利用生物辨識(biometric)技術驗證個人生物特徵，諸如：指紋、虹膜等進行支付。採用生物支付技術，未來將無須使用信用卡或行動裝置，僅需要個人生物特徵之辨識即可完成交易。此轉變將使未來交易更加快速、便利，但同時，生物支付的安全性卻也不無疑義。 即便生物辨識屬於高層級的資訊安全保護機制，但水能載舟，亦能覆舟。生物辨識利用生物不可變之特性進行身分識別，涉及高度個人隱私，為妥善保護個人資訊安全，需訂立生物辨識相關規範加以管制，否則將衍生許多法律問題。 例如：在2015年6月，美國線上出版商Shutterfly公司被控訴違法蒐集個人資料。原告稱其並非Shutterfly公司之註冊使用者，也從未同意其生物辨識資訊被該公司蒐集，但其面紋(Face print)卻被上傳至該公司網站，並標註姓名，儲存在自動針對相片標記臉部辨識系統之資料庫。 依據BIPA針對生物辨識定義及蒐集規範： 1.第10條： 生物辨識之態樣，包含視網膜、虹膜掃描、指紋或是手部、臉部外觀之掃描，但不包括簽名、照片、用於科學檢測之人體樣本、頭髮顏色等。 2.第15條(a)： 規定公司蒐集個人生物特徵資訊應有相關規範供公眾查閱，並應提供生物辨識資訊之保管及銷毀日期及相關資訊。 3.第15條(b)(1)： 蒐集生物辨識資訊應告知當事人。 Shutterfly公司提出要求法院不受理之抗辯，主張BIPA規定之臉部外觀，其文意解釋應為物理上個人親自接受掃描所得之資訊，並非原告所主張以照片辨識之臉部外觀，但法院認為Shutterfly之主張並不合理，因此同意受理此案。 觀察該案可發現，儘管生物辨識提高資訊安全之保護，但相關法規範解釋仍待實務完備。另一方面，生物特徵資訊極易被他人蒐集，因此，如何建置蒐集個人辨識資訊及完善相關措施，也是推行生物支付措施所需突破的關口。
2005年我國對美專利申請件數落居外國申請人第4名在獲准件數方面，2005年我國人民向美國專利商標局申請獲准專利案件計5,993件，較上年減少16.84%，維持第3名，次於日本（31,834件）及德國（9,575件）；向日本特許廳申請專利獲准案計2,305件，較上年增加24.33%，居所有外國人專利核准案件數第2名，次於美國；向歐洲專利局申請專利獲准案件計133件，較上年成長17.70%。 專利可反映一個國家或區域的創新活動，同時可展現該國或區域發揮知識力量，並將其轉換為有潛力的經濟產出的能力。專利獲准的條件是必須具新穎性、進步性及產業利用性，因此，專利的數量及其相關指標可說是衡量研究及發展（R&D）投入所獲產值的最佳工具。 根據智慧財產局最近發布之「2005年我國與美日歐專利申請暨核准概況分析」， 2005年我國向美國專利商標局、日本特許廳及歐洲專利局之申請與核准專利件數較往年雖有成長，但我國向美國申請專利件數已由2004年的居所有外國申請人之第3名下降為第4名，被南韓所超越，南韓的大幅成長值得關注。 美國依然是我國人民提出專利申請的主要國家，2005年我國人民向美國專利商標局申請專利案計16,617件，較上年增加10.36﹪，居所有外國人新申請案第4名。而南韓向美國專利商標局提出專利申請案自2003年之10,411件，成長至2004年之13,646件，2005年更以17,217件超越我國，攀至第3名。在日本方面，我國人民向日本特許廳申請專利每年超過3,000件，2005年排名第3，次於美國（9,177件）、韓國（5,990件）；而在歐洲專利局方面，2005年我國人民共申請679件，有逐年增加趨勢，在亞洲國家中次於日本（21,461件）、南韓（3,853件）。
歐盟對於不可申請專利的基本生物學方法做出新解釋大多數國家是認為動植物為法定不得授予專利之標的，歐盟以往因為歐洲專利公約實施細則(Implementing Regulations to the Convention on the Grant of European Patents，下簡稱實施細則)跟擴大上訴委員會(the Enlarged Board of Appeal，簡稱EBA)決定不一致而造成爭議，EBA於2020年5月做出的新決定，對於動植物是否為可授予專利之標的做出一致性解釋。 在歐洲專利公約(European Patent Convention，簡稱EPC)第53條第2款規定用以生產動植物的基本生物學方法不可授予專利，並於2017年生效的實施細則第28條第2項將其進一步擴張解釋成，僅運用基本生物學方法所產生的動植物不可授予專利，這與EBA在2015年所做出的決定(G 2/12、G 2/13)並不一致，在2015年的決定中提到，運用基本生物學方法來界定動植物的請求項仍可以被接受，因此實施細則第28條第2項與2015年的決定產生衝突。 於2019年，技術上訴委員會(Technical Board of Appeal)在案例T 1063/18中發現了這個問題，並提到EBA討論，EBA表示，考慮到法條涵義可能因時間產生變化，需要對EPC第53條第2款進行動態解釋(dynamic interpretation)，實施細則第28條第2項與EPC第53條第2款並未矛盾，而是進一步擴展為，僅通過基本生物學過程，或是由基本生物學方法界定動植物之情況，皆屬於不可授予專利之情況，而推翻之前的決定。而為維持法律安定性，本決定(G 3/19)對於2017/07/01前生效或申請的案件並不具效力。 「本文同步刊登於TIPS網站（https://www.tips.org.tw ）」
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。