美國環保署擬針對兩項奈米材料納入顯著新種使用規則
奈米材質之特性雖有助於開發新穎產品，但對於環境與人體健康是否會造成危害，迄今仍未有定見；為避免奈米科技毫無節制地發展，2008年9月以降，美國環保署(Environmental Protection Agency，EPA)以毒性物質管制法(Toxic Substances Control Act，TSCA)管理奈米材料，並在10月底考慮將奈米碳管納入前述法規中；11月初，更進一步依據毒性物質管制法5(a)(2)發布「顯著新種使用規則(Significant New Use Rule，SNUR)」，將以矽氧烷(siloxane)所改造之奈米矽微粒(silica nanoparticles)與奈米鋁微粒(alumina nanoparticles)列入管理範圍內。
一般而言，化學物質如未列於由EPA所公佈之「化學物質目錄」者，皆應向環保署提出製造前通知(Premanufacture Notice，PMN)；而顯著新種使用規則以指定特殊新種化學物質的方式，配合適用製造前通知制度，要求業界針對製造、加工、銷售與使用等過程，提出具體因應措施。申言之，關於前述兩項奈米物質，一旦涉及有別於以往的重大創新製造活動，業者即應於正式進行製造前之90天先行通報環保署，再由其評估該業者是否符合相關條件要求，否則得予以禁止或限制之。
根據環保署既有之測試資料，可以確認奈米微粒得由呼吸與皮膚接觸等方式進入人體。以矽氧烷所改造之奈米矽及奈米鋁，泰半係作為添加劑之用；然而，觀察過往製造前通知所登載之內容，該兩項化學物質無論在呼吸或皮膚接觸所造成之暴露程度尚屬輕微；因此，針對該等奈米材料而向環保署所為之通報流程及審查作業，可能會對於業者後續之生產製造活動形成不確定的阻礙。
有鑒於奈米材料可能對人體健康產生未知風險，為保障奈米工作環境中人員的安全，顯著新種使用規則將於2009年1月起正式生效，作為管理特殊化學物質的監督方式。對於製造或使用奈米材料所可能引發之風險，美國環保署正著眼於環境、健康與安全議題，逐漸採取較為謹慎的政策設計方向，以維護大眾利益。
委託研究開發之智慧財產治理運用指引（委託研究開発における知的財産マネジメントに関する運用ガイドライン，以下簡稱委託研發智財運用指引）為日本經濟產業省制定並於2015年5月15日公布，用於規範該省、或該省所轄獨立行政法人委外執行技術研發計畫而產出的各項智慧財產權之管理運用事宜。 日本於產業技術力強化法第19條納入拜杜法（Bayh-Dole Act）的意旨，建立了政府資助研發所生的智財權成果歸屬受託單位的原則，但同時為促進研發成果的第三人商業化利用，落實國家資助技術研發成果獲得充分運用以達成國家財富最大化的政策方針，因而作成該指引。 委託研發智財運用指引以委託機關和受託單位為規範對象，首先揭示了研發成果商業化利用的重要性，並以此為核心思維，賦予委託機關須就個別委外研發計畫，在計畫開始前訂定計畫智財權管理方針，並向潛在計畫參加者提示的義務，同時，委託機關須確保委託契約中包含智財權等成果管理運用之約款，例如針對成果有無適用日本拜杜法規定、受託單位承諾在相當期間內未妥善運用成果時開放第三人利用等；另一方面，受託單位則有義務就計畫設置智財營運委員會，負責在計畫執行期間處理智財權管理事宜。
加拿大參議院交通與通訊委員會提出自駕與聯網車輛政策發展報告與建議2018年1月加拿大參議院交通與通訊委員會(Standing Senate Committee on Transport and Communications)向加拿大交通部提出「駕駛改革：技術與自駕車的未來(Driving Change : Technology And The Future Of The Automated Vehicle)」報告。 報告指出加拿大面臨自駕車可能遭遇之挑戰，並列出提供交通部發展自駕車策略之政策建議。 其中包含：建議加拿大應成立跨部會單位以整合全國自駕車政策、並整合各地方政府與傳統領域政府透過發展地區模型策略；交通部並應與美國合作，來確保自駕車輛於兩國間運行無障礙；交通部應發展自駕聯網車輛設計的車輛安全指南，指南中應指明製造商於發展、測試與布建自駕車的車輛應有的設計需求，該指南並應持續隨科技發展而更新。 加拿大政府並應立法授權隱私委員會主動調查與促使製造者遵循「個人資訊保護與電子文件法（Personal Information Protection and Electronic Documents Act）」的權力，並應持續評估聯網車輛的隱私相關規範之需求。 並應整合利益關係人發展聯網車輛管制框架，特別應包括隱私保護；並應監督自駕與聯網車輛技術競爭之影響，以確保車輛出租公司與其他的延伸市場可持續取得相關營業所需資訊；並應注重加拿大自駕車之測試與發展等對於就業之影響等。
澳洲專利法新制上路澳洲於去（2012）年通過「智慧財產權法修正案」 （Intellectual Property Laws Amendment Act 2012），主要修正條文已於今（2013）年4月15日起正式施行。此次的修法大幅度提高了可專利性的審查標準，為澳洲專利制度帶來重大變革。新法適用於2013年4月15日以後提出實體審查申請之專利申請案，在新法施行後專利申請案將受到更嚴格的審查。 重要修正如下： ‧新法去除了舊專利法關於先前技術的地理區域範圍的限制。將其他各國的先前技術也一併納入考量，規範較舊法更為國際化。 ‧新法只要求所屬技術領域具有通常知識者「可能了解」且「技術相關」即可，放寬了用來判斷進步性根據之先前技術標準，使得符合進步性的要求較舊法為提高。 ‧新專利法要求專利說明書需揭露系爭發明特定的（specific）、主要的（substantial）、可信的（credible）用途，以滿足實用性的要件。此外，專利說明書上之描述必須清楚且完整，使所屬技術領域中具有通常知識者得以了解文件內容並可據以實施， ‧新法對於可專利性的認定改採「概然性權衡」（balance of probabilities）標準，亦即若專利審查員認為，未來在進行專利有效性審理，法院有超過50%的機率認定系爭發明不具可專利性時，審查委員即得駁回該申請案。 ‧增加了修正專利說明書時禁止加入新事項的限制規定，對於專利的申請益趨嚴格。 此次修法是澳洲專利制度近20年以來的最大變革，經過此次修正可預見未來申請取得澳洲專利的難度將大幅提升。更值得注意的是，由此次修正，可發現澳洲專利制度已向大多數國家的規範靠攏，使得澳洲專利法與國際間其他國家如美國、歐盟等國家的規定更為協調一致。
德國聯邦資訊技術，電信和新媒體協會針對AI及自動決策技術利用提出建議指南德國聯邦資訊技術，電信和新媒體協會於2018年2月6日在更安全的網路研討會中針對利用人工智慧及自動決策技術利用提出建議指南（Empfehlungen für den verantwortlichen Einsatz von KI und automatisierten Entscheidungen），旨在提升企業數位化與社會責任，並提升消費者權益保護。 本份指南提出六項建議： 促進企業內部及外部訂定相關準則 例如規定公司在利用演算法和AI時，必須將影響評估列入開發流程，並列為公司應遵守的道德倫理守則，以確保開發的產品或服務符合公平及道德。 提升透明度 使用者如有興趣了解演算法及其含義，企業應協助調查並了解使用者想獲知的訊息，並透過相關訊息管道提升產品及服務透明度。因此，企業應努力使演算法及其操作和含義能夠被使用者理解。此亦涉及即將實施的歐盟一般資料保護規則中的透明度義務。在機器學習或深度學習情況下，可能會增加理解性和可追溯性難度，但有助於分析流程並使其更接近人類理解的方法在科學和商業實踐中，應特別關注並進一步討論。另外，透過教育及使用說明協助及控制功能，教導消費者係建立雙方信任的重要手段。企業應在第一線中說明產品或服務中使用的手段（演算法，機器學習，AI）。除了解釋使用那些技術來改進產品和服務外，應一併解釋如何從技術控制過程中獲得相關知識以及提供那些後援支持。另外，例如透過幫助頁面，儀表板或部落格，解釋發生什麼以及如何做出某些影響深遠的自動化決策，使用戶更了解有關使用自動決策相關訊息。因此建議企業採取強制有效以建立信任的措施，使用戶理解是否及如何使用相關演算法，此可能包括使用自動化決策，使用特定資料組和使用技術的目的，亦即使用戶對演算法，機器學習或AI支持的決策有基本的了解。 為全體利益使用相關技術 人工智慧等新技術之重要性不應被低估，目前在生活和工業等眾多領域皆有廣泛應用。對於個人和集體而言，將可帶來巨大的利益，因此應該充分利用。例如，人工智慧可降低語言障礙，幫助行動不便的人可更加獨立自主生活，改善醫療診斷，提升能源供應效率，甚至是交通規劃和搜索停車位，都只是人工智慧偉大且已被使用的案例。為促進技術發展，應公平地利用其優勢並預留商業應用模式的空間，同時充分解決涉及的具體風險。產業特定的解決方案十分重要，但應兼顧受影響者的利益，並與廣大公眾利益找出妥協平衡點，且應排除不適當的歧視。建議在使用決策支持技術時，應事先檢查相關後果並與其利益比較。例如，可以在資料保護影響評估的框架進行。作為道德準則的一部分，必須確保演算法盡可能量準確地預測結果。 開發安全的資料基礎 資料係人工智慧支援決策的基礎。與人為決策者相同，資料不完整或錯誤，將導致做出錯誤的決定。因此決策系統的可靠性仍取決資料的準確性。但資料質量和資料來源始終不能追溯到源頭，如果可能的話，只有匯總或非個人資料可用於分析或分類用戶群組。因此，確切細節不可被使用或揭露。因此建議企業應考慮要使用的資料、資料的類別和在使用AI系統前仔細檢查資料使用情況，特別是在自我學習系統中資料引入的標準，並根據錯誤來源進行檢查，且儘可能全面記錄，針對個人資料部分更應謹慎處理。 解決機器偏差問題 應重視並解決所謂機器偏差和演算法選擇和模型建立領域的相關問題。解釋演算法，機器學習或AI在基層資料選擇和資料庫時所產生決策偏見相當重要，在開發預期用途的演算法時必須納入考量，對員工應針對道德影響進行培訓，並使用代表性紀錄來創建可以識別和最小化偏差的方法。企業並應該提高員工的敏感度並培訓如何解決並減少機器偏見問題，並特別注意資料饋送，以及開發用於檢測模式的內、外部測試流程。 適合個別領域的具體措施和文件 在特別需要負責的決策過程，例如在車輛的自動控制或醫療診斷中，應設計成由責任主體保留最終的決策權力，直到AI的控制品質已達到或高於所有參與者水平。對類人工智慧的信任，並非透過對方法的無條件追踪來實現，而是經過仔細測試，學習和記錄來實現