美國FCC公布低功率電視強制數位轉換時程
美國聯邦通訊委員會（Federal Communications Commission）於2011年7月15日公布第二份報告與命令（Second Report and Order），針對低功率電視（low power television, 簡稱LPTV）數位轉換時程進行規範，並預訂於2015年9月1日強制關閉低功率類比電視訊號的放送。
美國國會已於2009年6月12日強制關閉類比電視訊號的放送，但此規定僅適用於全功率電視台，並未及於低功率電視。所謂的低功率電視，為FCC於1984年針對在地性質的、小型的社區電視服務所創設的類型；這些社區有可能地處鄉野，但也有可能為大都會區內的個別社區。
FCC在這份命令中同時要求現行使用700Mhz頻段(channels 52-69)的類比與數位低功率電視台應在2011年9月1日前提交轉換規劃（displacement applications），並於2011年12月31日停止使用700Mhz頻段。
美國參議員Carl Levin最近提出一項名為「終止公司股票選擇權租稅優惠法」（Ending Corporate Tax Favors for Stock Options Act, S. 2116，以下簡稱：股票選擇權租稅優惠終止法）的草案，主要目的是希望改變公司對於股票選擇權費用化的租稅處理（tax treatment of corporate stock option deductions）。 就租稅意義而言，公司發給員工（包括高階經理人及一般員工）的股票選擇權為薪資的一種，而根據美國內地稅法規定，目前公司在申報股票選擇權的薪資支出（compensation expense）減項時，可以申報的費用比公司帳簿上所登載的更高。由於此一稅法上獨厚股票選擇權的處理，使得近年來許多美國企業支付給主要高階經理人的薪資，有一大部分是股票選擇權，此現象在科技產業亦甚為顯著，其結果造成公司高階經理人與一般員工的薪資差距越益擴大。 「股票選擇權租稅優惠終止法」要求公司於薪資支出項下申報的股票選擇權費用，必須與公司帳簿所記載的數目一致，同時，股票選擇權也應與其他類別的公司薪資費用一樣，同樣受到1百萬美元的費用上限之申報限制，至於股票選擇權申報費用的時點，則不須要等到選擇權行使（exercise）的年度。
延長專利保護對產業研發創新的效應思考－兼談專利法修正草案第54條 生技產業的新活水 動植物得以申請專利行政院「生物技術產業指導小組委員會議」於去（2005）年12月通過經濟部智慧財產局提出的專利法修正案，將開放動植物得以申請專利。這項決議將在近期送交行政院院會，希望今年上半年能通過並順利送請立法院審議。 全球的動植物專利保護現況大致可分為三類，(1)完全開放動植物專利，例如美國、日本、新加坡等國家；(2)有限度開放動植物專利，但不包括之後經過育種選拔程序達到商業化標準的品種，如英國、德國、荷蘭、法國等歐盟國家。(3)只開放動植物改良方法專利保護，例如我國。 農委會和智慧財產局自去（2005）年起針對動植物專利議題進行多次協商，終於在去（2005）年6月達成共識：「為保障研發成果及促進產業升級，我國動、植物宜朝開放專利保護方向規劃」。為此，智慧財產局已決定刪除專利法第24條第一項「動植物新品種將不予發明專利」條文，開放人為技術產生的動植物「產品」及「方法」能申請專利。 台灣農業科技的發展表現向來是非常優越，近年來更是突飛猛進，不論是醫學、糧食、環境保護等均可運用生物科技的研發成果。是以，此項新的開放措施可視為政府推動生技產業的重大進展，而對生技業者來說無疑是注入新的活水。
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。