美國FTC表示 將檢視網路中立性此一議題
Majoras 表示對於是否立法規範網路，宜謹慎加以考量之，因為法規的影響深遠且長久。在缺乏明顯的證據證明市場失靈或消費者有受到損害的情況下，主管機關不宜採取任何法制措施規範市場參與者的行為。對於任何網路中立性或相類似的立法，宜考量其對於現有寬頻平台及市場環境的影響，以及此等立法對於產業未來創新與投資的影響。而關於網路中立性 (Net Neutrality) 之立法需求及細節，將由網路接取工作小組負責檢視之，其後續發展有待未來更進一步的觀察。
關於SONY ERICSSON (SE)將推出PSP手機(PSP phone)的傳聞始終甚囂塵上，每隔一段時間就會有各種充滿想像力的照片在網路上散佈。美國專利商標局(USPTO)於2008年03月06日公開了SE於2006年08月30日所遞交的新專利申請案。從該申請案的內容中可發現，SE將為市場帶來具有更多新奇功能的PSP手機。 SE的該申請案揭露了一種可攜式行動通訊裝置，其包含全觸控式顯示螢幕、加速度感測器或其他方向感測器以及觸覺回饋(haptics feedback)配備，其可透過軟體分別在PSP以及手機模式下設定以及切換多種功能。特別地，由於該螢幕具有觸覺回饋機制，原本提供觸覺回饋的實體按鍵便可以被省去，因此在實務上，該螢幕可佈滿該通訊裝置的整個表面。 當然，在我們談到前述的加速度感測器、全觸控式顯示螢幕以及透過軟體設定功能的同時，SE並未在該專利申請案中限制該通訊裝置只能為PSP手機。因此，該通訊裝置也可能被設定為隨身聽手機、照相手機或行動網路瀏覽器等。 在這篇專利申請案中的構想與蘋果的iPhone相當類似，除了額外的PSP遊戲功能之外。但，我們不能就此認為SE抄襲蘋果的創意，因為，SE似乎是與蘋果同時發展這個構想的－這篇申請案的申請日期比iPhone的主要專利申請案的公開日期早了一週。
日本內閣府公布知的財產推進計畫2019日本內閣府知的財產戰略本部在2019年6月21日公布本年度知的財產推進計畫（下稱本計畫），以「脫平均」、「融合」、「共感」做為本計畫三大主軸： 脫平均：依不同個體特性培養頂尖人材，促進新領域之挑戰及創造。以經產省、文科省、總務省、法務省為主責部會，實施包括培養具出色創造能力之人材、提供新創之後備資源、強化盜版因應對策、EdTech（教育科技）之活用、蒐集「STEAM教育」事例等策略。 融合：透過融合不同特性之分散個體，達成加速創新之作用。以經產省、文科省、法務省、厚生省、農林水產省、公正取引委員會為主責部會，實施包括創建智財資產平台、建構有助於AI及資料創作的相關規範等策略。另外修正資料信託認定方案的相關指針、提出資料銀行相關典範案例亦為重點。 共感：以經產省、總務省、外務省、文科省為主責部會，創造價值實現之友善環境，實施包括強化Cool Japan政策、籌劃音樂著作權利資訊資料庫、規劃能對應跨境傳輸之外語Metadata，協助將日本音樂推向海外市場等策略。 綜上，不難發現日本已將「創造」做為本計畫發展之核心概念。從人材培育、創造資料價值及打造軟實力產值等，都顯示智慧財產除保護之外，更應提升並擴散其價值。回顧我國智財戰略綱領在2017年結束之後，並沒有相關計畫延續。然而智慧財產是一國軟實力之展現。透過潛移默化的浸潤，能達到比任何硬實力還大之功效。我國應該思考如何重啟智財戰略，拓展我國軟性底蘊。
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。