美國參眾兩院提出嚴禁專利藥廠簽訂授權學名藥協議系列法案
美國過去透過Hatch-Waxman Act之立法，建立起「簡易新藥申請」（Abbreviated New Drug Application，ANDA）制度，促使學名藥廠開發學名藥後，能較迅速地通過藥品查驗登記，且首家獲得ANDA上市許可的學名藥廠還可享有180日的市場專屬保障；但是，專利藥廠近年卻設計出授權學名藥（Authorized Generic Drug）、原廠學名藥（Rebranded Generic Drug）和專利與學名藥訴訟和解協議（Brand-Generic Litigation Settlement）等智慧財產權管理策略，用以瓜分專利到期後的學名藥市場。
為了矯正此種實務發展，今（2007）年初美國參眾兩院先後提出內容一致的「公平處方藥競爭法案」（Fair Prescription Drug Competition Act, S.438）和「修正聯邦食品藥品化妝品法禁止授權學名藥上市法案」（To amend the Federal Food, Drug, and Cosmetic Act to prohibit the marketing of authorized generic drugs, H.R.806），禁止專利藥廠自行或間接製造銷售原廠學名藥，或是授權第三人製造銷售授權學名藥，企圖透過立法方式，確保首家提出ANDA的學名藥廠，在其所獲180日市場專屬期間內，不會因專利藥廠利用推出原廠或授權學名藥之策略而稀釋掉該學名藥的市佔率。但本法案未禁止專利藥廠與獲得市場專屬保護的學名藥廠簽訂類似協議；假使該學名藥廠經商業判斷後寧願與專利藥廠簽訂協議，僅需依現行規範將該協議通報FTC和司法部即可。
美國參議院亦提出「保護可負擔學名藥取得法案」（Preserve Access to Affordable Generics Act, S.316），禁止專利藥廠直、間接簽訂給予ANDA申請者任何對價（不限金錢）且要求其不得研發、製造、銷售或販賣該學名藥之專利侵權訴訟和解協議；例如專屬給付和解協議（Exclusion Payment Settlement）、逆向給付和解協議（Reverse Payment Settlement）等。
本文為「經濟部產業技術司科技專案成果」
日本《科學技術基本計畫》為依據其科學技術基本法之要求，以每5年為期擬定，目的在於建構一立基於長期性觀點且體系化的科學技術政策，並以之為施政框架，目前實施之科學技術基本計畫，為規劃自2016年至2020年期間施行之第5期科學技術基本計畫。而為形成下一階段之科學技術基本計畫，日本學術會議現公布了「第6期科學技術基本計畫方向」建言，為日本學術會議所屬之學者委員會學術體制分科會經審議後，就上述科學技術基本計畫之擬定發表意見，預計會於內閣府召開之綜合科學技術與創新會議（総合科学技術・イノベーション会議）中提出，作為訂定第6期科學技術基本計畫之重要參考。 本建言除了持續強調投資基礎科學研究的重要性，亦關注學術多元發展與提升整合性，強調優越學術基礎的建構、發展、以及用以解決問題之能力提升，繫諸各領域、地區、個人所關切議題與思考方式之不同所帶出的多元性，而為克服現代社會面臨的各種課題，應注重自然科學與人文社會科學之跨域合作以形成具統合性的知識基礎，同時須平衡投入各學門的研究預算，避免科學技術投資過分集中於特定的學術領域。具體的方向上，本建言主要提供了4個規劃面向：（1）強化對博士生就學的經濟上支援，並增加相關就業機會，如增加大學終身教職員額與高階技術人才職位等；（2）為進一步促成前述的學術多元發展，重新檢討並建構政府資助各類研究之制度藍圖，除了持續資助基礎研究及應用研究之外，強化對年輕學者的補助，亦期待能對需持續性進行之研究（如生命科學等需長時間蒐集並保存資料之領域）提供長期或無限期的支援；（3）追求科研參與者的多元化（如鼓勵女性、外國人、身障者的投入），以實現科學家社群之多元發展；（4）促成科學家社群以個人身分或透過組織參與科學技術政策形成，避免相關政策的擬定與施行未能切合研究實務之需求。
強化AI安全防線：八國連署AI與機器學習供應鏈風險管理指南日本國家網路安全辦公室（国家サイバー統括室）於2026年3月5日，代表日本連署了「AI、機器學習供應鏈風險與緩和措施」（Artificial intelligence and machine learning Supply chain risks and mitigations）之國際文書（下稱本文書），並公布本文書內容。本文書是由隸屬於澳洲訊號局（Australian Signals Directorate，簡稱ASD）之澳洲網路安全中心（Australian Cyber Security Centre，簡稱ACSC）主導訂定，主要針對有導入或開發 AI、機器學習系統與元件等需求的組織，揭示其可能存在供應鏈風險與提升整體網路安全之重要性，並就AI開發或採購階段，組織應留意相關風險與可採行之緩和措施。有關連署國家，除了日本與澳洲以外，也包括加拿大、紐西蘭、韓國、新加坡、英國與美國等共八個國家皆已完成連署。 本文書內容強調組織於管理 AI、機器學習等風險時，應將 AI 供應鏈視為整體網路安全戰略的一環，同時評估產品或服務之整體生命週期風險，不應著重於單一技術，而是組織需要掌握整體供應鏈的全貌，包括特定關係事業者、活用AIBOM（AI物料清單，主要用來記錄AI模型相關資產與資訊，提供快速定位與管控AI問題模型功能）或SBOM（軟體物料清單，主要記錄軟體相依元件，用於漏洞管理與供應鏈透明度）、意識到是否已針對AI、機器學習系統可能帶來的風險，進行漏洞管理，以及針對AI、機器學習系統所導致之網路安全事件建立應處機制等。 本文書將AI、機器學習供應鏈風險大致區分為五類：AI 數據、機器學習模型、AI 軟體、AI 基礎設施（含硬體），以及第三方服務，本文書指出AI、機器學習應用於供應鏈時可能產生之風險，其中包括數據品質不良、資料受竄改、模型遭植入惡意程式碼、軟體元件複雜導致難以保證其安全、硬體與韌體擴大攻擊面，以及導入第三方服務致使供應鏈產生弱點等。 此外，本文書也針對各類風險提出可行的因應方法，例如： 1.數據面：需做標準化搜集、外部資料檢疫、資料前處理與完整性驗證。 2.模型面：需從可信來源取得透明模型，實施性能驗證與惡意程式偵測。 3.軟體面：需做完整性驗證、元件審核，並透過 SBOM 掌握已知弱點。 4.硬體面：需確認設備無惡意內容，並在網路中適當分區。 5.第三方服務面：需持續評估與監控供應商的資安實務與脆弱性管理。 總結來說，日本已意識到國家網路安全治理下，針對AI、機器學習的安全，不單是模型安全，而是涉及整體性供應鏈安全。日本藉由與他國連署國際文書，不僅強化國際合作，同時建立供應鏈網路安全共識，因應AI對於國家供應鏈之網路安全挑戰，從資料、模型、軟體、硬體到第三方服務等視角提出具體因應方法，作為全面提升國家整體網路安全環境之參考指引。日本透過強化與他國合作，提升國家網路安全治理之作法，值得我國未來借鏡參考。
經濟部技術處研究機構智慧財產管理制度評鑑與台灣智慧財產管理規範(TIPS)驗證內容比較