社群網站平台的商標爭議-Twitter v. Twitpic
Twitpic公司為提供圖像分享服務軟體服務的公司，於2008年成立，2009年起，提供Twitter(微博)社群網站平台使用者，透過運用Twitpic的即時圖像分享功能，將照片及影像同時上傳至微博的服務；截至2014年6月已提供使用者此項微博平台的分享服務至少6年。Twitpic於2013年10月3日，以公司名稱「TWITPIC」為名稱，向USPTO(美國專利商標局)提出國際分類第42類之電腦服務之商標註冊案，並於2014年6月24日核准公告。
微博公司於知悉Twitpic商標申請資訊後，除了以Twitpic商標近似於先前註冊商標Twitter而提出商標異議外，並威脅Twitpic公司放棄商標申請，否則將切割Twitpic可直接連結照片至Twitter平台的服務。
同時，微博公司發言人表示，為了確保公司品牌及商譽不被侵害及淡化，故除了對於Twitpic公司提出商標異議外，並為了確保使用者能持續使用將照片及影像即時上傳至微博的服務，將由微博平台自行提供相關功能，以減少使用者無法運用Twitpic服務之不便。
因此，Twitpic公司負責人 Noah Everett於2014年9月初宣布，在無足夠的資源對抗大公司如微博的脅迫下，被迫於9月底關閉Twitpic服務。
依據Twitpic於微博上發布之最新消息顯示，Twitpic已被其他買家收購，將持續經營，但有關商標爭議案之後續發展，將持續觀察。
古心怡
組長 編譯整理
Steven Musell, Twitpic acquired by mystery buyer, will stay in business, CNET, Sept. 18,2014,http://www.cnet.com/news/twitpic-acquired-by-mystery-buyer-will-stay-in-business/ (last visited Oct. 1, 2014)
Chuong H Nguyen, Trademark dispute with Twitter forces Twitpic to shut down, androidcentrol, Sept. 4, 2014,http://www.androidcentral.com/trademark-dispute-twitter-forces-twitpic-shut-down (last visited Oct. 1, 2014)
哥斯大黎加國家登記處（Costa Rican National Register）於2025年1月21日做出准許當地超市登記「SUPER MARIO」商標的決定，駁回任天堂之異議。 該超市位於哥斯大黎加的聖拉蒙區，屬於區域型超市，因創辦人名為Mario Alfaro，且當地通常將超市簡稱為super一詞，在1970年創立超市時取名為SUPER MARIO，並於2013年註冊商標「SUPER MARIO Su lugar de confianza」（意為超級瑪利歐值得信賴的地方），實際是將SUPER MARIO與 Su lugar de confianza分成上下兩列，且SUPER MARIO之字體大於Su lugar de confianza之字體。該超商於2024年以「SUPER MARIO」申請第35類商標，惟被任天堂（Nintendo）主張「SUPER MARIO」為任天堂所擁有商標而提起異議。 任天堂雖於當地有註冊「SUPER MARIO」商標，惟其註冊類別係電子遊戲、玩具、服飾等第9、18、25、28等產品類別，並未包含第35類之民生消費品零售服務，因此其異議被哥斯大黎加國家登記處所駁回，該「SUPER MARIO」超市得以註冊第35類「SUPER MARIO」商標。 另須留意的是，該超市名稱「SUPER MARIO」，雖與任天堂的「SUPER MARIO」相同，但其標誌實際之配色，係以黃色與藍色搭配，此種顏色差異可避免消費者產生與任天堂「SUPER MARIO」商標之間的聯想。 組織常隨著業務經營變動就品牌商標進行變更或調整，此案之超市於長期經營後欲以其「SUPER MARIO」名稱作為商標註冊而發生之爭議，該爭議差點造成無法註冊新商標，顯見商標權利管理不只限於申請、延展、主張權利等事宜，尚包含品牌命名或標誌全新／優化設計，須留意命名或標誌全新／優化設計方向，是否與他人既有商標近似，無法取得註冊商標的風險；行銷使用品牌商標時，應留意是否依註冊商標樣態使用，避免任意變換使用註冊商標樣式，致與他人商標近似而被控侵權。完整之智財管理機制可參經濟部產業發展署所推廣之台灣智慧財產管理規範（Taiwan Intellectual Property Management System，簡稱TIPS），組織可依其風險情境展開對應之風險應對措施，以降低組織營運可能產生的智財風險，並因應環境變化調整內部規定與做法。 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） .Pindent{text-indent: 2em;} .Noindent{margin-left: 2em;} .NoPindent{text-indent: 2em; margin-left: 2em;} .No2indent{margin-left: 3em;} .No2Pindent{text-indent: 2em; margin-left: 3em} .No3indent{margin-left: 4em;} .No3Pindent{text-indent: 2em; margin-left: 4em}
歐盟執委會提出醫藥品管理整體配套方案，保障歐盟境內大眾用藥安全為確保歐洲民眾於健康醫療方面之利益，歐洲製藥工業協會聯合會(European Federal Pharnaceutical Industrial Association；簡稱EFPIA)於2009年2月17日，向歐洲議會(European Parliament)提出建議，並敦促其應儘速通過歐盟執委會(European Commission)於去年年底所提出一項關於醫藥品安全、創新與易近用性之議案。而一位業界代表Günter Verheugen於當(17)日會面後指出：「此次會面，主要是希望能就新近執委會所提交之醫藥品管理整體配套方案(Pharmaceutical Package)，進行初步意見之交換與討論」。 由於保障歐盟境內民眾之健康安全，實乃歐盟決策者(Decision-makers)所應掮負之重要責任，故EFPIA總幹事Brian Ager於此次會面交流之前，亦曾高聲向歐洲議會與各會員國家呼籲，應優先將病患安全(Patient Safety)議題納入考量，並採取果斷之行動；同時，其也指明，歐洲醫藥各界為尋求各種可能落實之方法，先前早已經歷過各個階段，並遲延了決策做成之時機；故，此次會面，除要為執委會提案之審查，奠定啟動之基外，亦盼能再次集聚並挹注歐洲醫藥各界之能量，於保護歐洲人民健康安全相關之行動當中。 關於歐盟執委會於去(2008)年底所提出之議案，由於其中有多項內容對歐洲醫藥各界之影響實廣且深；因此，該項提案目前業已廣泛地受到EFPIA與業者之重視。此外，就此項醫藥品管理整體配套方案中擬採行之具體立法規範措施，實包含如後3個面向：首先，是欲透過規範擬提昇藥物警戒(Pharmacovigilance)方法之現代化；其次，強化管制規範以減少假藥滲入歐洲整體醫藥品供應鏈之機會；最後，則是要要提供高品質之健康與醫藥品相關資訊給有需要之病患或大眾近用(Access)等。 由此可知，未來歐盟整體醫藥品管理立法方向，將分由3個不同之角度出發；並同時朝「改善歐洲大眾用藥安全」之目標前進；不過，在進一步進行條文化之前，前述由執委會所提出之醫藥品管理整體配套方案，將會先交由歐洲議會與歐盟理事會官員共同進行初步之討論。
美國ULC公布統一虛擬貨幣事業監管規範建議，提供各州虛擬貨幣管制立法架構參考2017年美國統一法律委員會（Uniform Law Commission, ULC）於2017年9月公布「統一虛擬貨幣事業監管法」（Uniform Regulation of Virtual Currency Business Act, 以下簡稱VCBA）全文、總說明以及利害關係人意見，對於虛擬貨幣（virtual currency）提供管制架構，囊括虛擬貨幣定義和適用範圍、營業執照要求、跨州互惠原則、消費者保護、網路安全、反洗錢和對進行虛擬貨幣商業活動者之監管等重要問題，作為各州相關立法參考。迄今美國夏威夷州和內布拉斯加州分別向州議會提案，朝向採用VCBA作為該州虛擬貨幣管制參考規範之方向討論。
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。