新加坡通過2010年版電子交易法施行細則
繼新加坡2010年版本電子交易法（Electronic Transactions Act, ETA）於2010年7月1日式施行後，該國資通訊發展局（Info-communications Development Authority, IDA）因應修正電子交易法施行細則，該細則並於2010年11月1日起正式實施。其目的在使憑證機構管理制度得以配合新興資訊安全技術齊驅發展，進而使其與國際趨勢相符，修正要點如下：
1. 修正許可制為志願許可制：此次修正最大變革即在使該國憑證機構管理制度由原本的許可制，改為志願許可制。前者係使所有憑證機構均應向主管機關申請許可後，始能對外簽發憑證；而志願許可制則是原則上憑證機構對外簽發憑證無需主管機關許可，但憑證機構如果希望所簽發之憑證具備特定法律效果，則仍須經過許可。
2. 證據法上的推定效果：經過自願申請許可通過的憑證機構，經其所簽發之憑證而製作的數位簽章將有證據法上推定為真之效力，無待憑證用戶舉證即有其真實性，惟該真實性仍可由他方另舉反證推翻。換句話說，若數位簽章製作人使用的憑證為一般未經申請許可之憑證機構所簽發者，憑證用戶需先向法院提出其他輔助證據證明該簽章真實性。
3. 許可申請之要求：憑證機構自願申請許可時，應繳交申請費1千元新加坡幣（下同）及2年有效之許可執照費1千元。此外，新版施行細則統一整合舊有之「安全指導手冊」（Security Guideline）及其他各項稽核規定於「稽核需求要項表」（Compliance Audit Checklist），以供憑證機構得以更便利之方式了解並遵循共通之稽核程序。
美國實務界律師於2026年8月24日撰文分享中國大陸市場監管總局認定AI模型開發過程所使用之專屬提示詞（prompt）範本、審查規則、標注規範等資料，被認為可構成營業秘密之首例案例。 據查，中國大陸市場監管總局於8月20日公布六起侵害營業秘密典型案例，其中案例三為中國大陸浙江省杭州市市場監管局查處孫某侵害人工智慧垂直領域專用模型營業秘密案。孫某任職於A企業期間，負責研發垂直領域AI審查模型並掌握核心機密資料；其在職期間另利用配偶身分設立並實際控制B公司，嗣後將A企業AI模型之專屬提示（prompt）範本、審查規則、標注規範等資料提供予B公司，用於開發同類AI模型。 經該案產業專家論證，上述資料組合形成之場景智能審查一體化方案，符合營業秘密法上之秘密性、經濟價值、合理保密措施（中國大陸稱：非公知性、商業價值及保密管控）等要件，因而被認定為AI垂直領域專用模型之新型集成式營業秘密。而孫某違反入職A公司時簽署之專項保密契約，故中國大陸杭州市市場監管局於2026年5月28日依《中華人民共和國反不正當競爭法》命令孫某停止洩密及未經授權使用行為，並裁罰人民幣35萬元；B公司相關營業秘密侵權行為則另案處理。 本案被認為是中國大陸首例AI垂直領域專用模型營業秘密案件，顯示AI模型開發所涉及之營業秘密保護客體已不限於傳統程式碼或技術文件。AI模型提示詞（prompt）、審查規則、標注規範及整合性技術方案等非標準化資訊，如符合營業秘密要件，亦可能受到保護。本案顯示對於企業而言，除防範員工將機密資訊輸入外部AI工具之風險外，亦應辨識AI模型開發過程形成之技術資訊，並評估納入機密分級、存取權限及人員保密等管理措施。對此，資策會科法所創智中心於2026年8月21日公告《人工智慧（AI）應用之TIPS管理指引》（草案），指出AI應用可能帶來智財風險。企業除應注意AI模型開發之風險外，使用AI輔助工作時，亦可參照指引，將AI智財風險納入既有智財管理機制，如機密分級、研發審查、教育訓練、文件管制及外部合作管理等，以強化AI應用情境下之智財風險管理。。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://keid.nat.gov.tw/tips/）
2016年生物支付技術將可能取代傳統支付型態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。
加拿大推動聯邦互通醫療法案建立數位醫療資料共享體系加拿大聯邦政府於2026年2月4日於聯邦參議院提出《聯邦互通醫療法案》（Connected Care for Canadians Act, Bill S-5），由參議員 Pierre Moreau 擔任提案人，以改善該國長期存在的醫療資料不流通及仰賴紙本病歷之困境。據加拿大衛生部統計，目前僅有29%的初級照護提供者得在診所外透過電子方式共享病歷，建立聯邦醫療資訊系統的互通體系，遂為本法案之核心目標。 法案條文草案揭示兩大重點，其一為課予醫療資訊科技供應商（health information technology vendor）義務，其所提供的資訊系統或服務必須要具備互通性（Interoperability），且不得阻礙電子醫療資料的共享（data blocking）。法案亦授權訂定罰鍰機制，確保供應商遵循法規；其二則涉及中央法規與地方法規的分工，法案規定當省或地區尚未制定與本法案所要求實質相同或更嚴格（substantially similar to or exceed）的規定時，該省或地區必須適用法案的規定，法案將授權制定如何認定上述實質性要件的標準與程序。 法案仍在立法程序中，現已完成參議院二讀程序，並於2026年5月6日進入到三讀程序。本法案並非在創建數位身分、平台或醫療資訊資料庫。而是為病患提供安全存取途徑，並促進醫療服務提供者之間安全的資料共享，未來將值得關注法案對於醫療資料共享的貢獻及執行成效。
美國國家標準暨技術研究院規劃建立「人工智慧風險管理框架」，並徵詢公眾對於該框架之意見美國國家標準暨技術研究院（National Institute of Standards and Technology, NIST）為管理人工智慧對於個人、組織以及社會所帶來之風險，於2021年7月29日提出將建立「人工智慧風險管理框架」（Artificial Intelligence Risk Management Framework, AI RMF）之規畫並徵詢公眾意見，截止日為9月15日，並預計於10月發布正式報告。 依照NIST說明，公眾所建議之人工智慧風險管理框架，可促進人工智慧之可信賴性，其中包含如何應對並解決人工智慧於設計、發展及使用過程中所遭遇之「精確度」（accuracy）、「可解釋性」（explainability）、「偏見」（bias）等議題。此外，上開管理框架預計為非強制性、供企業自願性使用於人工智慧設計、發展、使用、衡量及評估之人工智慧標準。 依現有公眾意見徵詢結果，其中DeepMind公司建議於人工智慧設計初期，必須預先構思整體系統之假設是否符合真正社會因果關係。舉例言之，當設計一套可預測民眾健保需求程度之系統時，如輸入參數僅考量民眾於醫療上的花費，將使僅有可負擔較高醫療費用之民眾被歸類為健保需求程度較高者，從而導致健保制度排擠經濟負擔程度較差之公民，故在設計系統時，應從預先設定之假設事實反面（counter-factual）思考並驗證是否會產生誤差或公平性之問題（例如預先思考並驗證「醫療費用支出較低之民眾是否即可被正確歸類為健保需求度低之民眾」）。惟進行上述驗證需要大量社會資料，因此DeepMind也建議NIST應建立相關機制，使這些社會資料可以被蒐集、使用。 此外，亦有民眾建議管理框架應有明確之衡量方法以及數值指標，以供工程界遵循。同時鑒於人工智慧發展極為快速，未來可能有不同於以往之人工智慧類型出現，故亦建議NIST應思考如何在「建構一套完整且詳細之人工智慧治理框架」與「保持人工智慧治理框架之彈性與靈活性」之間取得平衡。 最後，目前也有許多徵詢意見指出，許多人工智慧治理之目標會相互衝突。舉例言之，當NIST要求人工智慧系統應符合可解釋性，則人工智慧公司勢必需要經常抽取人工智慧系統中之「數據軌跡」（audit logs），惟數據軌跡可能被認為是使用者之個人資料，因此如何平衡或完善不同治理框架下之目標，為未來應持續關注之議題。