歐盟公布競爭與創新綱要計畫
CIFP (2007-2013) 根據歐盟現今的發展策略－ Lisbon Strategy ，亦是將重點放在如何協助中小型企業運用其創新的潛能，開發更高品質的產品。由於去年歐盟理事會重新定位 Lisbon Strategy 的重點在於激勵企業家精神、確保新創事業可獲得充份的風險資本挹注、鼓勵並引導融入環境友善精神的創新（ eco-innovation ）、善用 ICT 技術、促進資源的永續利用，故而 CIPF (2007-2013) 的計畫重點也放在如何落實前述政策目標，以使「競爭與創新」、「知識經濟」以及「永續發展」得以齊頭並進。
另 CIPF (2007-2013) 在第七期研發綱要架構（ Seventh Framework Programme for research and technological development ）執行期間（ 2007-2013 ）也將與其相輔相成，不過 CIPF (2007-2013) 重點不在研發補助，而是希望在研究與創新之間搭建橋樑，同時鼓勵各種形式的創新利用。舉例而言，如何協助將第七期研發綱要的成果進一步透過技術移轉方式鼓勵其商業化利用，即是 CIPF (2007-2013) 所要達到的任務之一，不過手段上 CIPF (2007-2013) 的經費主要會用於如何解決研究與創新之間的市場失靈問題。
本文為「經濟部產業技術司科技專案成果」
日本文部科學省於２００２年提出產學合作契約範本，實行以來發現內容缺乏彈性，對於共同提交專利申請的共有專利權人能否進行商業化等研發成果歸屬問題規範不清。為此，２０１７年３月日本文部科學省科學技術及學術政策局參考英國智財局發布的Ｌａｍｂｅｒｔ ｔｏｏｌｋｉｔ等文件，提出１１項合約範本，稱為【櫻花工具包】。 該工具的主要目標是期望產學合作從在意權利共有轉為重視研發成果商業化，提出包括大學或企業單獨擁有研發成果、雙方共有研發成果等多類型的合作契約模式，並解析如何從數種模式中選擇最適合的合約範本，盡可能在產學合作契約簽訂前，事先考量研究成果的商業化策略，從而提高研發成果商業化的可能性。當中建議，在進行模型選擇時需考慮以下因素： 對研發成果的貢獻程度。 智財權歸屬於大學的處理方法。 是否有必要通過大學發布研究成果。 研究成果歸屬（大學擁有、企業擁有、雙方共有）。 雙方是否同意智財權共有。 此外，為了盡可能使研究成果的智財權更廣泛應用，在參考適用範本時，皆應考量研發成果商業化的靈活性，無論智財權歸屬於大學或企業方，都必須滿足以下的條件： 不限制大學後續研究的可能性。 所有的智財權都要適當的努力使其商業化。 研究成果需在約定的期間內進行學術發表。 日本此一工具包之內容對於產學合作研究之推展，提供了更細緻化的指引，或許可為我國推行相關政策之參考，值得持續關注其內涵與成效。
日本經濟產業省公布自動駕駛後續之政策方針報告書 歐盟新提出之《數位服務法》將針對科技巨擘實施更加嚴格之規定歐盟委員會在2020年1月提出之工作計畫中，即表示2020年第四季度將會提出新的《數位服務法案》《Digital Services Act》，以因應新興數位時代下的歐洲。 2020年10月29日歐盟競爭事務專員表示，幾個科技巨擘針對每天蒐集大量訊息並加以過濾篩選，最後傳遞予公眾有限數量消息的過程，將必須採取更多措施以清除非法及有害的內容，此舉旨在解決與大型社交媒體平台相關之兩大問題，即仇恨言論之傳播以及傷害社會公共對話與民主之言論。 該法案將規範科技公司須針對其行為製作報告，並告知使用者，他們所看到的廣告是由誰付費進行投放、為什麼他們會成為這支廣告的目標對象。蓋因科技公司之數位平台先是無償蒐集使用者個人資料及偏好，再針對這些資料進行分析後，對使用者量身訂製廣告行銷策略，最後科技公司依靠此套方法賺進大量廣告收益，例如，臉書與Google在2018年的廣告收入佔據總收入百分之九十八及百分之八十五以上。 該法案亦將針對科技公司篩選訊息，最後有選擇性的發送特定訊息予社會大眾及量身訂製置入廣告之行為，設立明確規則，羅列應作為或是不作為之清單。例如禁止推銷自己的服務，蓋阻止競爭對手向消費者提供更好的交易服務，等同於變相阻止消費者享受自由競爭和創新的成果；故將先設立協調一致之調查框架，提供一套統一的規則以調查數位服務市場已存之結構性問題，而後在必要時可以採取相關行動，使市場更加具有競爭力。歐盟預計將於2020年12月2日宣布《數位服務法》草案，在正式立法之前，會再與歐盟國家取得一致共識。
歐洲專利局發布人工智慧與機器學習專利審查指南正式生效歐洲專利局（European Patent Office, 下稱EPO）於2018年11月1日發佈新版專利審查指南已正式生效。此次新版的焦點為Part G, Chapter II, 3.3.1關於人工智慧（Artificial Intelligence, AI）與機器學習（Machine Learning, ML）的可專利性審查細則。 在新版審查指南Part G, Chapter II, 3.3中指出數學方法本身為法定不予專利事項，然而人工智慧和機器學習是利用運算模型和演算法來進行分類、聚類、迴歸、降維等發明，例如：神經網路、遺傳演算法、支援向量機（Support Vector Machines, SVM）、K-Means演算法、核迴歸和判別分析，不論它們是否能夠藉由數據加以訓練，此類運算模型和演算法本身，因具有抽象的數學性質而不具專利適格性。 其中，EPO亦針對人工智慧和機器學習相關應用舉例下列特殊情形，說明可否具備發明技術特徵： （一）可能具技術性 在心臟監測儀器運用神經網路辨別異常心跳，此種技術為具有技術貢獻。 基於低階特徵（例如：影像邊緣、像素數值）的數位影像、影片、音頻或語言訊號分類，屬於分類演算法的技術應用。 （二）可能不具技術性 根據文字內容進行分類，本身不具技術目的，而僅是語言學的目的（T 1358/09） 對抽象數據或電信網路數據紀錄進行分類，但未說明所產生分類的技術用途，亦被認定本身不具技術目的，即使該分類演算法的數據價值高（例如：穩健性）（T 1784/06）。 在新版審查指南中亦指出，當分類方法用於技術目的，其產生之訓練集（training set）和訓練分類器（training the classifier）的步驟，則能被視為發明的技術特徵。 近年來，人工智慧技術的應用分佈在我們的生活中，無論是自駕車、新藥開發、語音辨識、醫療診斷等，隨著人工智慧和機器學習技術快速發展，新版的審查指南將為此技術訂定可專利性標準，EPO未來要如何評判人工智慧和機器學習相關技術，將可透過申請案之審查結果持續進行關注。 「本文同步刊登於TIPS網站（https://www.tips.org.tw ）」