新加坡採取「雲端友善」政策方針，發布個人資料保護指引
新加坡個人資料保護委員會（PDPC）為讓企業能妥適的遵循2012年發布的個人資料保護法（Personal Data Protection Act/PDPA），於2013年9月發布個人資料保護法（PDPA）的執行指引文件：「PDPA關鍵概念指導方針（Advisory Guidelines on Key Concepts in the PDPA）」，針對各項如何蒐集、處理及利用個人資料的要求與義務，提供細節性說明及應用範例。執行指引文件的發布，是源自於公眾在實際操作法遵要求時，所發生的執行困難、疑義和衍生的建議和意見，彙整後進行法規釋疑和舉例。此份文件的要求係立基於實用主義及「企業友善（business-friendly）」的理念，幫助機構調整業務運作流程以及妥善的遵守法律的規定。
執行指引文件提供關鍵名詞的詮釋，例如「個人資料」在PDPA裡的定義為：任何可以識別個人、不拘形式及真實性的資訊；針對「謝絕來電條款（Do not call）」的遵循方式亦有細緻化的說明；就各項不同的具體子議題，清楚的提供常識性的措施（Common-Sense Approach）供機構採用，讓法規要求合乎常理，使個人資料保護與企業因需求而對個人資料進行蒐集、利用和揭露之行為間取得衡平。
新加坡個人資料保護法（PDPA）兩大立法目的：強化個人對自己個人資料的資訊控制權；使新加坡因提供充分的安全維護機制而受企業信任，強化新加坡的經濟競爭力與地位。另外，相較於其他國家在國際傳輸上有較嚴格的限制（必須有相同等級的個人資料保護立法為傳輸前提），新加坡的法制理念是僅讓企業遵守最低限度的安全維護要求後，便能將個人資料進行國際傳輸，這樣較彈性的法制設計讓新加坡有望成為亞太地區的資料與研究中心樞紐。
歐盟執委會與經濟合作發展組織（OECD）共同合作倡議，發佈《為AI時代賦能學習者：小學與中學的AI素養框架》（Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education），旨加強全球教育體系內之AI素養。 該框架將AI素養定義為於AI時代必備之技術知識、技能以及態度。使學習者能夠理解AI系統之運作方式、能批判性地評估其輸出，並以符合倫理及創意之方式使用AI。AI素養分為與AI互動（Engage with AI）、與AI共同創造（Create with AI）、管理AI（Manage AI）以及塑造AI（Shape AI）四大領域。從被動使用AI到主動創造，四個領域間相輔相成，使學生有能力為自己與他人對AI之使用及創造做出正確判斷。而AI素養之建構則包含三大核心能力： 1. 知識（Knowledge）：指理解AI系統之基本概念，包含對系統技術本身之理解、AI反映人類選擇及角度、AI之能力限制以及其社會角色。 2. 技能（Skills）：指應用AI之基本能力，引導學習者與AI進行負責且有創意之互動。相關技能包含批判性思考、合作、創意、問題解決、計算、溝通、自我及社交認知。 3. 態度（Attitudes）：指學習者不論於熟悉或新興情境使用AI時，皆須採取之心態。包含反思、負責任、好奇、創新、適應力以及同理心。 此外，框架強調AI素養之養成並非單靠教師或教育工作者，需要完整教育系統之共同參與，除教師外，課程設計師及教師培訓提供者、學校及教育系統領導者、教育政策制定者以及家長或監護人皆為學生培養AI素養不可或缺之角色。 整體而言，該框架將AI素養透過循序漸進之四大領域以及三大核心，強調全體教育體系之共同合作，培育具備自主判斷能力及AI素養之學習者。
日研擬對策防農產智財權被外國盜用日本本土所栽培且有登記證照的農作物種子被拿到中國、南韓等地的案例日增，日本政府除了將提高取得品種證照者的收入之外，在六月即將完成的「智慧財產權二00六」報告中，日本政府也將擬定品種保護制度，明示未來在農業領域應該如何因應日本本土研發、栽培的農作物品種，被擅自拿到海外利用。 蔬果等種子很容易被攜帶到海外，通常在外國都遭違法大量栽培，然後再回銷日本，尤其近年來這種例子激增，迫使日本政府不得不思考對策。日本政府打算針對開發植物新品種的人或團體，根據現行的種苗法給予「育種家權利」。日本農林水產省並呼籲中、韓等亞洲國家，應該趕緊制訂完備的法令，禁止日本開發的品種未經許可被擅自生產、販售。
法國科學家現正積極研究奈米碳管的毒性評估方式法國國家研究會議﹙French National Research Council﹙CNRS﹚﹚的科學家，過去三年持續投入奈米碳管的毒性研究，包括奈米管在環境中所引起的污染反應、其對人體的危害，以及如何以較清潔的方式從事奈米碳管的生產製造。這個研究計畫將側重於目前常為產業利用的各式奈米管。 目前，奈米碳管在全球的製造量高達每年數百噸之譜。優越的機械及電子性能，促使奈米碳管被大量運用在平面螢幕及汽車產業當中，甚至利用在運動產品之上。然而，除了擴增的應用領域之外，其對人體健康及環境的影響迄今尚未受到重視。使用奈米管的物質通常被當做一般廢棄物來處理，就其對於環境的影響，人們更是一無所知。 法國CNRS的科學家希望能夠釐清這樣的問題。目前，研究人員的觀察重點將在奈米碳管如何影響水生環境﹙aquatic environments﹚，以及兩棲生物在奈米管流佈的環境中如何生存及反應。此外，科學家們同時觀察奈米材料如何影響人體健康：他們正在觀察及研究巨嗜球﹙macrophage cells﹚如何與奈米碳管互動，以及在這種暴露環境下，實驗用鼠的肺部是否會產生發炎症狀。經由初步的實驗，科學家們發現人體會將奈米管視為異物，進而引發發炎反應。 接下來，CNRS會進一步研究如何以更清潔且對環境友善的方式來製造奈米管。
德國聯邦資訊技術，電信和新媒體協會針對AI及自動決策技術利用提出建議指南德國聯邦資訊技術，電信和新媒體協會於2018年2月6日在更安全的網路研討會中針對利用人工智慧及自動決策技術利用提出建議指南（Empfehlungen für den verantwortlichen Einsatz von KI und automatisierten Entscheidungen），旨在提升企業數位化與社會責任，並提升消費者權益保護。 本份指南提出六項建議： 促進企業內部及外部訂定相關準則 例如規定公司在利用演算法和AI時，必須將影響評估列入開發流程，並列為公司應遵守的道德倫理守則，以確保開發的產品或服務符合公平及道德。 提升透明度 使用者如有興趣了解演算法及其含義，企業應協助調查並了解使用者想獲知的訊息，並透過相關訊息管道提升產品及服務透明度。因此，企業應努力使演算法及其操作和含義能夠被使用者理解。此亦涉及即將實施的歐盟一般資料保護規則中的透明度義務。在機器學習或深度學習情況下，可能會增加理解性和可追溯性難度，但有助於分析流程並使其更接近人類理解的方法在科學和商業實踐中，應特別關注並進一步討論。另外，透過教育及使用說明協助及控制功能，教導消費者係建立雙方信任的重要手段。企業應在第一線中說明產品或服務中使用的手段（演算法，機器學習，AI）。除了解釋使用那些技術來改進產品和服務外，應一併解釋如何從技術控制過程中獲得相關知識以及提供那些後援支持。另外，例如透過幫助頁面，儀表板或部落格，解釋發生什麼以及如何做出某些影響深遠的自動化決策，使用戶更了解有關使用自動決策相關訊息。因此建議企業採取強制有效以建立信任的措施，使用戶理解是否及如何使用相關演算法，此可能包括使用自動化決策，使用特定資料組和使用技術的目的，亦即使用戶對演算法，機器學習或AI支持的決策有基本的了解。 為全體利益使用相關技術 人工智慧等新技術之重要性不應被低估，目前在生活和工業等眾多領域皆有廣泛應用。對於個人和集體而言，將可帶來巨大的利益，因此應該充分利用。例如，人工智慧可降低語言障礙，幫助行動不便的人可更加獨立自主生活，改善醫療診斷，提升能源供應效率，甚至是交通規劃和搜索停車位，都只是人工智慧偉大且已被使用的案例。為促進技術發展，應公平地利用其優勢並預留商業應用模式的空間，同時充分解決涉及的具體風險。產業特定的解決方案十分重要，但應兼顧受影響者的利益，並與廣大公眾利益找出妥協平衡點，且應排除不適當的歧視。建議在使用決策支持技術時，應事先檢查相關後果並與其利益比較。例如，可以在資料保護影響評估的框架進行。作為道德準則的一部分，必須確保演算法盡可能量準確地預測結果。 開發安全的資料基礎 資料係人工智慧支援決策的基礎。與人為決策者相同，資料不完整或錯誤，將導致做出錯誤的決定。因此決策系統的可靠性仍取決資料的準確性。但資料質量和資料來源始終不能追溯到源頭，如果可能的話，只有匯總或非個人資料可用於分析或分類用戶群組。因此，確切細節不可被使用或揭露。因此建議企業應考慮要使用的資料、資料的類別和在使用AI系統前仔細檢查資料使用情況，特別是在自我學習系統中資料引入的標準，並根據錯誤來源進行檢查，且儘可能全面記錄，針對個人資料部分更應謹慎處理。 解決機器偏差問題 應重視並解決所謂機器偏差和演算法選擇和模型建立領域的相關問題。解釋演算法，機器學習或AI在基層資料選擇和資料庫時所產生決策偏見相當重要，在開發預期用途的演算法時必須納入考量，對員工應針對道德影響進行培訓，並使用代表性紀錄來創建可以識別和最小化偏差的方法。企業並應該提高員工的敏感度並培訓如何解決並減少機器偏見問題，並特別注意資料饋送，以及開發用於檢測模式的內、外部測試流程。 適合個別領域的具體措施和文件 在特別需要負責的決策過程，例如在車輛的自動控制或醫療診斷中，應設計成由責任主體保留最終的決策權力，直到AI的控制品質已達到或高於所有參與者水平。對類人工智慧的信任，並非透過對方法的無條件追踪來實現，而是經過仔細測試，學習和記錄來實現