美國商會呼籲我國政府儘速通過智財三法
我國近年來對智財權保護不遺餘力，政府除祭出各種方案使智慧財產之觀念深入人心外，相關修法動作也持續進行，今年度經濟部智慧財產局更展開大規模的修法，並分別就各修正議題舉辦多場之法案公聽與說明會。諸此種種努力逐漸獲得國際間的肯定，美國政府也釋出善意，在今年初公布之二００五年三０一報告書中，特別將我國從「特別三０一優先觀察名單」中，調降為一般觀察名單。
據美國商會表示，台灣投資環境近年最大的改善，莫過於對智慧財產權的重視，以及落實智財權保障的有效執法機制。不過美國商會也認為，網路盜版猖獗及智財權案件審理費時冗長，將是台灣未來智財權保護的兩大挑戰。尤其在網路盜版方面，保智大隊前幾年查獲的案件中，只有2％與網路侵權有關，但今年到十一月底，比例上升80％，顯示網路盜版加劇，因此建議我國應加速規範P2P傳輸業者的立法，以遏止下載未經授權的音樂、影片，或其他受著作權保障的作品。
美國商會呼籲，為維持得來不易的成績，立法院應儘速在本會期通過智慧財產法院組織法草案、智慧財產案件審理法草案，及在著作權法新增技術立法，以規範P2P（網路點對點傳輸）業者等智財三項法案；與此同時，美國商會也建議未來智財法院的法官，應具備技術背景並體認國際投資競爭、偽藥及假農藥等公共衛生議題對於生技等創新產業發展之重要性。
本文為「經濟部產業技術司科技專案成果」
美國財政部外國資產控制辦公室（The US Department of the Treasury’s Office of Foreign Assets Control, OFAC）於2021年9月21日更新並發布了與勒索軟體支付相關之制裁風險諮詢公告（Updated Advisory on Potential Sanctions Risks for Facilitating Ransomware Payments）。透過強調惡意網絡活動與支付贖金可能遭受相關制裁之風險，期待企業可以採取相關之主動措施以減輕風險，此類相關之主動措施即緩減風險之因素（mitigating factors）。 該諮詢認為對惡意勒索軟體支付贖金等同於變相鼓勵此種惡意行為，故若企業對勒索軟體支付，或代替受害企業支付贖金，未來則有受到制裁之潛在風險，OFAC將依據無過失責任（strict liability），發動民事處罰（Civil Penalty制度），例如處以民事罰款（Civil Money Penalty）。 OFAC鼓勵企業與金融機構包括涉及金錢存放與贖金支付之機構，應實施合規之風險管理計畫以減少被制裁之風險，例如維護資料的離線備份、制定勒索事件因應計畫、進行網路安全培訓、定期更新防毒軟體，以及啟用身分驗證協議等；並且積極鼓勵受勒索病毒攻擊之受害者應積極聯繫相關政府機構，例如美國國土安全部網路安全暨基礎安全局、聯邦調查局當地辦公室。
歐盟將投入五千萬歐元投入5G研究行動寬頻使用人數已達1.2億，且估計每年將成長數億人口，許多研究估計2020年行動流量將比現在增加33倍。為了奪回全球手機領導者地位，歐盟不僅從2007年開始，投入超過三千五百萬歐元發展4G與4G以上的無線技術，歐盟執行委員會副主席Neelie Kroes於今年更宣佈將投入五千萬歐元研究5G通信(2013年~2020年)。 在現有的第七框架研究與發展計畫(Seventh Framework Programmefor research and development )中，歐盟已有8項關於5G的研究計畫。其中，以易利信(Ericsson)所主導的METIS(Mobile and wireless communications Enablers for Twenty-twenty Information Society)，備受各界矚目。METIS的研究團隊來自共10個國家，涵蓋領域包括電信營運商、製造商、學術機構與商用軟體業者。METIS將進行網路拓樸(Network Topologies)、無線連結(Radio Links)與頻譜使用研究、以為歐洲建立一個5G的行動與無線通信系統。 目前，METIS對於未來整體目標是希望達到： 1.行動寬頻流量每單位面積能比現在高出1000倍，使網路營運商能同時服務更多消費者。 2.聯網設備比現在多出10倍至100倍。 3.行動寬頻使用速度將比現在高出10倍至100倍，觀看視頻將更為容易。 4.機器對機器通訊(Machine-to-Machine-Communications)的電池使用時間將多出10倍。 5.網路延遲的時間將會降低5倍。 雖然，5G發展僅為初期，而各歐盟會員也僅英國投入三千五百萬英鎊，但是，部分輿論從英國4G不斷延遲的例子，認為現在發展至少降低5G重蹈覆轍的可能性。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。