美國白宮發布國家生物經濟藍圖
美國白宮終於2012年4月26日正式發布「國家生物經濟藍圖」（National Bioeconomy Blueprint），宣告未來美國將以生物技術為首的投資、研究與商業經濟活動列為優先支持的對象。近年來美國苦思於如何在國內經濟成長疲軟與失業問題上尋求解套，而有鑒於全球「生物經濟」（Bioeconomy）的快速崛起，歐巴馬政府遂寄望於生物經濟，期望藉由支持生物技術的研究創新與商業活動，帶動國內投資、提升就業率及經濟成長，並仰賴生物科技的發展增進國民福址。因此，白宮科學與技術政策辦公室（The White House's Office of Science and Technology Policy, OSTP）便於2011年10月起開始向生物醫藥、生物科技相關產業及研究機構徵集意見，歷經半年的規劃，始產出此部發展藍圖。
國家生物經濟藍圖首先劃定生物經濟的五大趨勢，包括：健康、能源、農業、環境及知識技術的分享。其次揭示了未來美國生物經濟的五大發展策略目標及其具體作法： （一）支持各項研發投資以建立生物經濟的發展基礎：
（1）強化生物技術的各類研究發展，如生物醫藥、生質能源、生物綠建築、生物農業等（二）促進生物技術發明的市場應用與商業化：
（2）實施新的補助機制以使得生物經濟投資達最大化，例如國家科學基金會於2012年推動的CERATIV（Creative Research Awards for Transformative Interdisciplinary Ventures）獎補助計畫。
（1）加強生物醫藥的轉譯及管制科學（translational and regulatory science）發展；（三）改革並發展相關規範，以減少法規障礙、增加規範程序的效率與可預測性：
（2）由國家衛生研究院（National Institutes of Health，NIH）及食品藥物管理局（Food and Drug Administration，FDA）等相關主管機關主動檢視、調整既有法規，以加速生物技術成果的商業化（如生物醫藥的上市）。
（1）減少可能影響生醫產業發展的法規障礙；（四）更新相關國家人才培訓計畫，並調整學術機構對學生訓練的獎勵機制，以符合國家與產業發展的勞動需求。
（2）對於低風險的醫療裝置，降低其遵循法規的成本負擔；
（3）由食品藥物管理局等相關主管機關，對於醫藥產品採行雙向規範審查（Parallel Regulatory Review），以減少產品上市時間。
（五）支持公私夥伴及競爭前合作（Precompetitive Collaborations）關係的發展：由國家衛生研究院及食品藥物管理局等相關主管機關鼓勵、支持公私或私人部門間形成夥伴關係，共同針對生物醫藥及食品安全進行創新研究發展。
由「國家生物經濟藍圖」對美國未來生物經濟發展的策略及具體做法看來，其內容相當廣泛，從促進各種生物技術的研發投資、生技成果商業化運用、產品上市管制鬆綁、科技人員培育，再到公私部門合作的增進，完整涵蓋了整個生物技術產業發展的各個必要環節，雖已點出生物技術產業發展有待突破之處，但對於其具體法規與配套機制，仍有待日後一一落實。因此，未來本藍圖將如何形塑美國各領域生物技術產業的輪廓，並影響法規與促進機制之細節，值得持續觀察之。
本文為「經濟部產業技術司科技專案成果」
法國國家資訊自由委員會（Commission nationale de l’informatique et des libertés, CNIL）自2020年5月起陸續收到民眾對臉部辨識軟體公司Clearview AI的投訴，並展開調查。嗣後，CNIL於2021年12月16公布調查結果，認為Clearview AI公司蒐集及使用生物特徵識別資料（biometric data）的行為，違反《一般資料保護規範》（General Data Protection Regulation，GDPR）的規定，分別為： 非法處理個人資料：個人資料的處理必須符合GDPR第6條所列舉之任一法律依據，始得合法。Clearview AI公司從社群網路蒐集大量全球公民的照片與影音資料，並用於臉部辨識軟體的開發，其過程皆未取得當事人之同意，故缺乏個人資料處理的合法性依據。 欠缺保障個資主體的權利：Clearview AI公司未考慮到GDPR第12條、第15條及第17條個資主體權利之行使，特別是資料查閱權，並且忽視當事人的個資刪除請求。 因此，CNIL要求Clearview AI公司必須於兩個月內改善上述違法狀態，包括：（1）在沒有法律依據的情況下，停止蒐集及使用法國人民的個資；（2）促進個資主體行使其權利，並落實個資刪除之請求。若Clearview AI公司未能於此期限內向CNIL提交法令遵循之證明，則CNIL可依據GDPR進行裁罰，可處以最高 2000萬歐元的罰鍰，或公司全球年收入的4%。
NIH公布最新GWAS基因型與表現型數據資料庫分享近用方針經過了一整年向各界諮詢與彙整各方意見後，美國國家衛生研究院（NIH）於今年8月底，公布其所資助之GWAS基因型與表現型數據資料庫（genotype-phenotype datasets）之分享近用方針。此方針希望在保障研究參與者的個人隱私前提下，協助科學研究社群取得相關基因數據資料。GWAS數據資料對科學有顯著的幫助，並具有龐大的潛在公共利益，然而，提供個人的基因型與表現型資料進行科學研究，涉及個人隱私與秘密之保護，故具有高度的敏感性而受到大眾關切。 因此，NIH在訂定這項方針時，為了搜集各方意見，首先於去年5月，宣布計畫更新GWAS的數據資料分享政策，後於去年8月公開徵詢大眾對方針之意見，次又依據所蒐集之各方意見，於去年12月針對此分享政策舉辦會議進行討論，根據這些討論所形成之共識，併同NIH內部討論之結果，最後形成此項分享政策。 方針中指出，如何在促進科學研究之目的，與保護相關參與人的權利間取得平衡，是相當重要的議題，故本方針分別對研究人員近用之程序、基因數據資料的處理與參與者權利之保護進行詳細規範。舉例來說，本方針要求欲近用資料庫的研究人員，提供其研究必須使用此資料庫的書面說明資料；另外也會對所有存放在資料庫的數據資料進行去個人化處理，使該項資訊無法再以技術判別，並使用隨機方法加密，以確保參與者的隱私與保密資料不遭外洩。根據NIH表示，此方針雖然僅是對GWAS數據資料庫的近用作規範，但未來亦有意將其作為近用其他類似資料庫的規範參考架構。
中國大陸「網路預約出租汽車經營管理暫行辦法」所謂中國大陸《網路預約出租汽車經營管理暫行辦法》，是指中國大陸針對目前在各國都陸續發生法律爭議的網路出租車叫車平臺，例如源自美國加州舊金山的優步(Uber)，或是中國大陸當地發展的滴滴打車服務，所制定的專法規範，以期解決網路出租車叫車平臺所可能產生的法律爭議。 類似Uber的服務型態，之所以會產生法律爭議，主要是因為汽車運輸載客的商業行為，在各國都會受到汽車運輸業的相關管制，以保障運輸服務乘客安全及消費權益。以德國為例，就曾因此對Uber進行行政處罰，並進一步於司法判決中要求Uber司機需取得營運牌照。 也因此中國大陸交通運輸部在2016年7月14日通過，並於2016年11月1日起施行《網路預約出租汽車經營管理暫行辦法》，該規定將網路預約出租汽車服務定義為「預約出租客運」，平台業者需負擔車輛營運、收益分配與司機管理等等的任務，且其地位為中國大陸汽車運輸載客法規中的客運服務承運人，需負擔相當責任，而並非如Uber等所主張的其僅為仲介平台，不具客運服務承運人之地位。 此外，該辦法亦要求網路預約出租汽車之司機應滿足無交通肇事犯罪紀錄、無危險駕駛犯罪紀錄、無吸毒紀錄、無飲酒後駕駛紀錄、無暴力犯罪紀錄等條件。
新加坡科技與研究局針對未來工廠提出研究規劃及方向新加坡科技與研究局（Agency for Science, Technology and Research）於2017年7月26日提出未來工廠（Toward the factories of the future）概念及相關研究方向，自動化（Automation）、機器人（robotics）、先進電腦輔助設計（advanced computer-aided design）、感測和診斷技術（sensing and diagnostic technologies）將徹底改變現代工廠，可製造的產品範圍廣泛，從微型車乃至於飛機皆可生產。積層製造（Additive Manufacturing），又稱3D列印（3D printing），可使用單一的高科技生產線來創造許多不同的產品項目，而不需要傳統大規模生產的設計限制和成本，伴隨未來高效能電腦和感測技術之進步，積層製造速度也會隨之加快。而智慧工廠（smart factories）將與物聯網（IOT）、雲端計算（cloud computing）、先進機器人（advanced robotics）、即時分析（real-time analytics）與機器學習（machine learning）等技術與積層製造技術結合，將大為提升生產速度及產量。 為加速及改善積層製造的製程，最重要的方法之一，是使用材料物理學的基本原理來模擬製造過程，而近期更引進跨學科之研究，「模擬」最終產品化學成分和機械性能的微觀結構。因積層製造是一個複雜又困難的過程，透過變化既有規則之模擬（Game-Changing simulations），若建立完成模型且模擬成功，將成為積層製造的殺手級技術。在未來的五到十年，我們將看到更多的零件從積層製造技術生產出來，而且這種技術有機會成為未來工廠的生產基礎。由於現行材料及製造流程與機器必須配合一致，些許的差異皆會生產出不同品質之產品，故未來積層製造工廠的結果穩定重現性（repeatability）和標準化（standardization），將是產品商業化的主要障礙與挑戰。