美國聯邦巡迴上訴法院判決美國專利法第271條(f)項不適用於方法專利
繼美國最高法院於Microsoft Corp. v. AT&T Corp. 做出與專利法治外法權有關的判決後，美國聯邦巡迴上訴法院於2009年8月19日再次做出限縮解釋專利法第271條(f)項於美國境外的效力。
美國專利法第271條(f)項規定未經許可提供或使人提供專利產品之元件，將之由美國供應(“supply”)至美國境外完成組合，亦視為侵害該專利產品之專利權。此項規定為美國國會為防範企業藉由在美國境內製造非專利保護之零組件後再運送之海外進行組合以規避專利侵權責任而制定。之後，在實物案例中，關於第271條(f)項之解釋與適用範圍產生諸多爭議。美國最高法院於其在2007年Microsoft Corp. v. AT&T Corp. 中強調不應擴張解釋第271條（f）項之文字。
於Cardiac Pacemakers Inv. V. St. Jude Medical Inc. 一案中，原告Cardiac Pacemakers控告被告St. Jude Medical所販賣的植入式心臟整流去顫器 (implantable cardioverter defibrillator)之使用會侵犯原告所擁有的一個利用植入式心臟刺激器治療心律不整的方法專利 (a method of heart stimulation using an implantable heart stimulator)。本案的爭點在於被告銷售可實施原告美國專利方法的產品或裝置讓該專利方法於美國境外被實施的行為是否構成第271條(f)項之侵害。美國聯邦巡迴上訴法院推翻其於2005年之判決(Union Carbide Chemicals Plastics Technology Corp. V. Shell Oil Co.)，判定專利法第271條(f)項不適用於方法專利。亦即，被告銷售可實施原告美國專利方法的產品至海外的行為不構成第271條(f)項所規定之侵權行為。
此判決對原告Cardiac Pacemakers之衝擊可能較小，因其專利範圍除方法請求項外，亦包含物品請求項，原告還可藉由其物品請求項獲得侵權損害賠償。但此案可能對僅能以方法申請專利的產業如生技藥業(某些診斷及檢驗僅能以方法申請專利)及軟體業造成較大的影響。
歐盟智慧財產服務台（European IP Helpdesk）於2023年7月10日提供中小企業「掌握智慧財產權五步驟」的建議，以協助中小企業最大化IP價值。五步驟如下： （1）盤點企業擁有的IP數量及排定優先順位：企業應盤點其擁有的專利、商標、設計、著作權、營業秘密等的數量，並根據IP對企業成功的重要性進行排序。 （2）進行IP查核：企業應就其所擁有的智慧財產組合（IP Portfolio）進行詳盡的檢視，以評估其優、劣勢；企業應辨別出目前其智慧財產組合所可能遭受危險的地方，並評估其目前擁有的智慧財產組合，若其中有改以其他IP保護者，則風險可能為何。 （3）制定IP保護計畫：根據上述（2）的查核結果，企業應發展出一套IP保護政策，此並應包含「可監控及執行其IP，藉以排除他人侵權行為」的情形。同時，企業也應檢視自己的IP有無侵犯到他人的權益，例如透過「自由運營分析」（Freedom-to-Operate analysis）的方式，來進行專利侵權風險排查。 （4）將保護計畫付諸行動：企業應執行上述計畫，並確保其員工係對此等政策及措施有所認知。除此之外，亦應對員工施以教育訓練，以使其知道「IP保護的重要性」及「辨別潛在侵權行為的最佳方法」。 （5）保護計畫之檢視及更新：企業應時時檢視其IP保護計畫及進行更新，以確保其整體IP策略係與企業發展目標一致。
5G汽車協會發布《先進駕駛案例-聯網技術與無線電頻譜需求之遠景路線圖》5G汽車協會（5G Automotive Association, 5GAA）於2020年9月9日發布「先進駕駛案例-聯網技術與無線電頻譜需求之遠景路線圖」（A visionary roadmap for advanced driving use cases, connectivity technologies, and radio spectrum needs），提供車聯網技術與產業利益相關者對於未來遠景之綜整觀點。 白皮書著重於結合通訊科技之先進駕駛系統，具體描述先進駕駛系統與連結通訊技術在全球發展的現況與展望外，同時呼籲各國應提供車聯網（V2X）應用上足夠的無線通訊頻譜，以涵蓋接下來蜂巢式車聯網（C-V2X）、專用短程通訊技術（Dedicated Short Range Communications, DSRC），及5G-V2X之通訊技術普及，指出汽車與電信等全體利害關係產業共同合作已是趨勢，以確保整體車聯網交通獲得必要的投資與創造新的商機，更有利發揮車聯網真正效益。希冀運用車聯網技術增進未來道路交通之安全性、改善交通效率、降低環境生態之衝擊，並提升駕駛舒適性與整體運輸環境。迄今，全世界高達近2億部通訊聯網車輛於道路上行駛，透過技術得以交換交通與路況資訊，而具備蜂巢式通訊資訊能力之車輛數亦日益增加，證明各國已逐步完備基礎通訊技術與相關基礎建設之布建，而未來5G車聯網更將立基於此，進一步聚焦於運用5G-V2X提升駕駛效率與安全，技術上包括整合最新晶片組與模組的車載設備（OBU）、路側設備（RSU）、智慧型手機，提出感測器共享與協同操控等先進駕駛應用案例。 此外，白皮書更對車聯網行動通訊之頻譜提出建議，概述在國際數位交通運輸體系下，車輛、用路人、路側設備及智慧運輸系統基礎設施，應與蜂巢式網路之通訊協調，共同使用5855至5925MHz中低頻段之通訊頻譜，以提升無線頻譜的運用效益、行動網路涵蓋率與通訊之安全性。而欲實現端對端之車聯網與發揮車輛連網的真正效益，亦需為專用短程通訊技術在5.9GHz提供足夠的頻段分配，其中基本安全應用需要10~20MHz，先進駕駛應用則額外還需至少40MHz，並提供路側設備低延遲性網路服務，以利資訊即時傳輸，白皮書更強調基本和先進駕駛系統之頻譜需求差異將涉及安全性之問題，不可輕視。
歐盟公布行動健康(mHealth)公共諮詢報告歐盟在2014針對行動健康(mHealth)綠皮書進行公共諮詢，要求相關之人針對mHealth發展的十一個議題提出意見。進行的時間從2014年4月10日至7月10日，歐盟在2015年1月12日公布諮詢結果，總計有211位參與者回覆，其中71%由組織機構回覆，29%則為個人意見回覆。 在諮詢報告中所提列之十一項議題包含:1. 健康資料的安全性、2. 巨量資料、3. 於目前歐盟法規下的適用情況、4. 病人安全性與資訊透明化、5. mHealth在醫療照護系統的定位以及平等使用、6. 互通性、7. 補助機制、8. 責任歸屬、9. 研究與發展、10.國際合作、11. mHealth市場發展性等。 針對上述議題，諮詢報告提出幾項認為未來發展mHealth時面臨之問題以及應該如何因應。包含: 1. 多數認為應建立隱私安全保護工具，包括資料加密以及驗證機制。逾半數的人認為應該執行資料保護，將法規適用於mHealth相關器材。2. 近半數的人要求病人安全以及資料的透明性，因此，應可建立制度使這些mHealth APP經品質認證通過後上市。3. 對於mHealth的業者而言，認為需要有清楚的法規架構、互通性以及共通的品質標準建立，才能有助於產業的發展。4.透過立法、自律機制以及指導原則的建立，使mHealth APP所衍生之問題能有規範可供解決。5. 部分認為mHealth的成本效益需要有更多的數據證據分析來評估。例如，在美歐國家曾進行一項測試，mHealth可以減少50-60%肺部慢性疾病病人住院以及再次入院的比例。此外，mHealth亦可減少25%老人照護的成本支出。6. 歐盟以及各個國家應該確認mHealth的互通性，基於持續性的照護以及研究目的，能有共通可相互使用的電子醫療紀錄。7. 其次則是應該促使開放標準，並有醫療專家以及使用者積極參與使mHealth能完備進行。 在歐盟此的mHealth公共諮詢報告中，已提出未來可能面臨的問題，歐盟嘗試以既有之指令規範檢視mHealth衍生之問題是否能夠加以因應解決，其主要目的仍在於讓消費者能安全使用，同時亦希望能促進產業開發與進步，其後續發展值得觀察，同時亦可提供相關業者開發時之參考。
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。