韓國特許廳推動「技術公開網路服務」，公開技術達到防禦性功能且促進公眾利用
韓國特許廳自2000年12月開始提供「技術公開網路服務」，透過此網站服務，研究人員可將其研發的技術公開、並登載在韓國特許廳的技術公開網站，藉以取得具公信力的公開日期。假若網站上公開的技術與先申請專利的其他技術相似，但其公開日期較早，那麼網站上公開的技術會被認為他人申請專利時的先前技術(prior art)，他人就無法取得專利權。此一服務的目的在於希望企業或個人的研究開發成果可防止他人以相同或類似的技術申請專利，作為一種防禦手段。另公開的研發成果也可提供公眾免費使用，進而促進整體產業的發展。
為改善「技術公開網路服務」，增加使用上之便利性，韓國特許廳2011年10月起推出新的「技術公開網路服務」系統，規定必須載明公開的必要記載項目(包括標題、相關領域、目的、技術組成內容)，以利其他人得以簡便地了解被公開的技術內容。利用人可到韓國特許廳建置之「專利資訊檢索服務(Korea Intellectual Property Rights Information Service, KIPRIS) 」網站進行檢索，搜尋所需之技術內容。
研發者可以將自己的發明想法公開，防止他人就同一或類似技術申請專利；同時任何人皆可查詢利用已經公開的技術，避免重複研發，也可讓業界掌握技術發展的最新動向，以促進技術之活用。
日本農林水產省於2025年9月在智慧農業網站上發布新版之農業資料利用推動（下稱報告），其內容包含2025年通過閣議決定之食材、農業、農村基本計畫，並指出為確保農業數位資料與人工智慧（下稱AI）之間的串聯應用，農業資料合作基礎平台（下稱WAGRI）的建立與資料協作、共有、提供功能是其不可或缺的要素。 報告指出，透過各式農業數位資料的蒐集與整合，諸如過往作物收成量資料、市場價格資料、土壤資料、農地資料、氣象資料等，並經過統合及分析後，可以達到提升作業效率及收益、減少勞動作業時間與器材損耗，以及降低環境負荷之效果。截至2025年9月為止，WAGRI網站上已提供高達223種農業數位資料相關的API，供農業領域從業者介接運用，並作為未來開發農業領域基礎AI模型的前置準備。 此外，報告亦指出WAGRI已於日本全國範圍內蒐集大量的農業數位資料，用以開發農業領域之基礎AI模型，並預計於2026年在WAGRI網站上提供基礎AI模型服務。未來農業領域從業者可透過WAGRI網站提供之基礎AI模型服務，輔以自身之農業數位資料，建立符合自身農業場域特性之特化型AI模型。 然而，報告亦指出不論是農業數位資料的API介接運用，還是將農業數位資料用以開發基礎AI模型，農業數位資料之法制配套仍需整備。因此，除了資料權屬等關係釐清外，報告特別提出於AI開發應用、資料共享之模式下，尚須建立「涵蓋資料整體生命週期之資料交換及利用機制」，包含資料對外公開之選擇權、資料提供之事前同意權、資料安全管理對策，以及資料刪除請求權等範圍，以確保農業數位資料在利用前的安心共享與協作。 我國政府如欲於農業領域發展基本AI模型，除應於全國範圍內蒐集大量之農業領域數位資料外，亦應建立串聯資料整體生命週期之資料交換及利用機制，以降低農業數位資料之間的協作風險。 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://www.tips.org.tw）
法學新論：從產業全球化佈局觀點論我國研發成果管理之法制政策 日本學術會議建議因應疫情強化ICT建設和推動數位轉型日本學術會議於2020年9月15日提出「邁向感染症對策與社會改革之ICT基礎建設強化和數位轉型推動」（感染症対策と社会変革に向けたICT基盤強化とデジタル変革の推進）法制建議。新冠肺炎疫情突顯出日本ICT基礎建設不足和急需數位轉型之問題，日本學術會議從「醫療系統之數位轉型」、「社會生活之數位轉型」和「資安與隱私保護」等觀點提出建議，希望能在確保資安及隱私的前提下，達到防止感染擴大與避免醫療崩壞，以及減少疫情對社會經濟影響等目標。針對「醫療系統之數位轉型」，未來應建立預防和控制感染症之綜合平台，統一地方政府感染資訊之公開內容、項目，檢討遠距醫療和數位治療法規，進行相關法制環境和基礎設施之整備；針對「社會生活之數位轉型」，日後應積極推動遠距醫療、遠距工作和遠距教育，並進行所需基礎建設、設備和人才培育之整備；針對「資安與隱私保護」，除檢討建立利用感染者個人資料，以及可知悉個人資料利用狀況之制度，亦應擴大及強化信用服務（trust service）和感染資訊共享系統等措施。
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。