美國參議員提出「消費者網路視訊選擇法」草案
越來越多消費者由網際網路觀賞視訊內容，保護新興視訊業者之市場競爭力也越加重要。美國參議員John D. Rockefeller於2013年11月發佈「消費者網路視訊選擇法（Consumer Choice in Online Video Act）」草案，塑造一個以消費者需求為中心的視訊市場，提供完全的單頻單賣（a la carte），使消費者有權力選擇想看的節目、決定想看的時間、挑選收看的方式，並且只為真正收看的內容付費。
此外，本法案亦規範網路服務業者必須提供消費者更完整精確的帳單資訊，以增進消費者權益。在促進市場競爭的目的下，本法案也賦予新興視訊產業基本的保護，防止既有業者之反競爭行為，使市場能有效競爭，帶給消費者更多利益。
該法案的主要規範內容簡介如下：
‧管制既有之有線電視、衛星電視與大型媒體公司對網路視訊服務業者的反競爭行為。
‧提供網路視訊服務業者合理的取得各種節目內容之能力，使他們能提供給消費者更多節目與服務的選擇。
‧管制寬頻服務業者不得降低其市場競爭者之網路傳輸品質，以保護網路視訊業者接觸消費者、提供服務的管道。
‧提供消費者更為透明與容易理解的帳單資訊。消費者在申請網路服務時，將能得到更為清晰易懂的服務契約與條款的資訊。
‧指示聯邦通信委員會持續監督寬頻服務之資費條件，確保這些資費條件不被用於反市場競爭行為。
隨著寬頻服務的普及，網際網路能夠提供更多元的內容，一方面消費者能夠有更多的選擇，確保市場持續有效競爭是非常重要的，本法案對我國而言亦有相當參考價值。
蘋果電腦(Apple)於2009年4月23日被美國德州東區地方法院判定侵害OPTi 公司之專利並且必須賠償美金$1900萬元。此項專利涉及記憶體之”predictive snooping” 技術。陪審團並認為蘋果電腦之行為構成故意侵權。蘋果電腦雖主張OPTi 公司之專利為無效，但此抗辯不為法院所採納。 OPTi 公司自2003年開始即放棄其原有的製造與販賣產品的生意，改經藉由提起侵權訴訟來獲取利益。除了控告蘋果電腦外，OPTi 公司也針對其”predictive snooping” 專利技術於同一法院對AMD 公司提出類似的專利侵權訴訟。由蘋果電腦此次被判敗訴來看，OPTi 公司似乎已準備好擴大藉由它所擁有的predictive snooping” 技術專利以提起訴訟的方式來獲取授權收益。如同以往，蘋果電腦未對此次被判侵權賠償做出任何評論。
瑞士洛桑管理學院公布《2025年IMD世界競爭力年報》瑞士洛桑管理學院（International Institute for Management Development, IMD）於2025年6月17日發布《2025年IMD世界競爭力年報》（IMD World Competitiveness Yearbook），針對全球69個國家與地區，從「經濟表現」、「政府效能」、「企業效能」及「基礎建設」四大面向進行綜合評比，瑞士、新加坡與香港分列前三，展現其制度穩定性與政策應變能力的優勢。 排名第一的瑞士，擁有強健的制度架構，且其「政府效能」與「基礎建設」表現卓越，然瑞士在「經濟表現」與「企業效能」表現略有下滑，主要與公共採購制度的透明度相關，當地企業反映，公共部門合約對外國投標者開放程度不足，限制市場競爭並影響外資參與。 新加坡「經濟表現」亮眼，使其整體競爭力維持在第二名，然因企業外移嚴重，其「企業效能」由去年的第二名滑落至第八，對未來競爭力構成威脅。 香港由第五名升至第三，四大面向皆有明顯進展，顯示其持續改善投資環境；且香港在企業效能方面表現出色，有效強化其作為全球金融中心的地位。 我國排名第六，較去年上升兩名，展現整體競爭力持續提升。四大面向表現均衡，尤以「經濟表現」與「企業效能」成績亮眼，顯示我國出口動能穩定，企業具備良好轉型能力與國際競爭力，科技產業持續發揮關鍵影響力。「政府效能」維持穩定，財政與稅制制度具備競爭優勢，對營商環境有正面助益。惟在「基礎建設」與社會面向方面，仍面臨人口結構變遷、能源轉型與永續發展等挑戰，需持續強化相關制度與政策配套，以確保長期發展動能。 總體而言，競爭力除經濟與治理外，亦受社會及供應鏈變動影響。未來各國應持續強化治理與創新能力；兼顧社會包容性與產業永續發展，以維持長期競爭力。
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。