美國法院於 8 月 9 日判決「隱私權合理期待不及於網際網路用戶資訊」
法院認為在美國憲法修正條文第四條之意旨下，網路使用者不能合理期待其用戶資訊為其隱私權所及範圍，主要理由為當網路使用者申請使用服務前，用戶本身已在其本身知悉之情況下將其資訊提供給 ISP 業者，使該 ISP 業者得以提供相關服務，且 AOL 已在其使用合約中註明，倘於其用戶或他人受有人身威脅 (physical threat) 之個別案例之情況下 ( 如同本案例事實 ) ， AOL 將提供用戶資訊，而「電子通訊隱私權法案 (The Electronic Communications Privacy Act) 」第 2510 條以下條文亦規定，於有人身損害之虞 (the risk of physical injury) 之情況下，用戶資料之揭露即具正當性。
當含有大量個人敏感性特質個資之郵件不小心發送到陌生人的電子信箱時，將可能對當事人帶來無法預估的損害。加拿大隱私委員Daniel Therrien在國際隱私日時（1/28）提醒各企業，不要忽略隱私控管工作對企業競爭力帶來之影響。然這樣的理念不僅僅只適用在大型的企業，加拿大有98%的企業員工少於100人，對於這些成千上萬的小規模企業而言更是重要。 Daniel Therrien說：「我能理解資源有限的小規模企業每天面臨高壓的業務需求，但就相關反饋資料顯示，加拿大當地居民較傾向與具有良好隱私實踐工作之企業進行交易。」因此，良好的隱私實踐工作不僅是有助於消費者，更可協助企業符合加拿大個人資料保護與電子文件法（Personal Information Protection and Electronic Documents Act）之規定。 為協助小規模企業採取積極措施，以保障消費者資料及隱私不被外洩，提高競爭力，加拿大提供相關關鍵步驟供企業參考：(1)不逾越產品或服務目的之資料蒐集；(2)提供顧客清晰易懂之隱私權政策，以便顧客了解資料為何被蒐集，及如何處理、利用；(3)了解蒐集哪些資料、資料儲存期間及方式、有權限接觸之人及刪除方式； (4)對員工進行隱私保護教育訓練；(5)除非必要，否則請避免蒐集如健康狀況、財務資訊等具敏感性之資料；(6)企業應設置窗口或指定專人，針對顧客權利主張或提出與隱私有關之疑問時進行回應。
可專利性（Patentability）與專利適格（Patent-Eligibility）有何不同？可專利性（Patentability）與專利適格（Patent-Eligibility）常被混用，但實際上兩者並不可以畫上等號。 具專利適格不等於可專利一事，在指標判例In re Bilski可窺知端倪：「新穎性（Novelty）、進步性（Non-obviousness，或稱非顯而易見性）的分析，和35 U.S.C. §101（專利適格的法源）無關，而是分別以35 U.S.C. §102、35 U.S.C. §103作為法源。」顯示專利適格、實用性（Utility，或稱「產業利用性」）、新穎性、進步性，互不隸屬。梳理美國專利法教課書（Casebook）和判決內容，可知：「專利適格」是取得專利的基礎門檻、資格，具專利適格，並不必然可專利，還須符合實用性、新穎性、可進步性，才是一個「可專利」的發明。另應強調，「專利適格」除了需要滿足§101法條文字外，還需要滿足美國專利與商標局（USPTO）的兩階段標準（Two-Step Test）審查。 綜上，可整理出這個公式： 可專利性=專利適格（§101+兩階段標準）+實用性（§101）+新穎性（§102）+進步性（§103) 觀察美國專利法教科書的編排方式，亦可了解思考脈絡：先介紹專利適格，再依序介紹實用性、新穎性、進步性。另，「實用性」在作為名詞時是採“Utility”一字，而非“Usefulness”，這兩個詞微妙的差異是前者具「有價值的（Beneficial）」之意涵，也呼應Justice Story在 Bedford v. Hunt對「實用」（Useful）經常被援引的解釋：「要能在社會中做出有價值的（Beneficial）應用，不可以是對道德、健康、社會秩序有害（Injurious）的發明，也不可以是瑣碎（Frivolous）或不重要的（Insignificant）。」
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。
歐盟電子通訊市場之事前管制與界定