MPAA 藉由 BT 網站伺服器記錄對 P2P(BT) 軟體用戶提起訴訟
今年 2 月，著名 BT 網站 LokiTorrent 與 MPAA 的大戰告一段落。德州法院下令 LokiTorrent 關閉網站外，並命令 LokiTorrent 將伺服器記錄轉交給 MPAA 的調查員 ( investigator ) 。 MPAA 的發言人聲稱本月 25 日的訴訟與此事件無關，但所有人都明白 MPAA 正是憑此線索，最終找到了 P2P(BT) 用戶的行蹤。好萊塢希望藉此行動阻嚇免費下載電影的行?， MPAA 資深副總裁 John Malcom 聲稱「下載盜版電影的人要當心了，當你為著作權侵害行為時，網路上並不會有朋友站出來替你撐腰。」
儘管 P2P(BT) 軟體背負著助長盜版的惡名，但 P2P(BT) 的合法用途也在逐漸增加，例如使用 P2P(BT) 技術分發 ( distribute ) 開放原始碼軟體 ( open-source software ) ，網路瀏覽器軟體公司 Opera 即在新版的程式中內建了此種技術。 BT 技術的發明人 Bram Cohen 曾警告用戶，使用 P2P(BT) 軟體下載盜版是個蠢主意，因?軟體在設計時並未刻意隱藏用戶的識別資訊，這也是為何 MPAA 此次能憑藉著伺服器記錄對用戶提起訴訟的主要原因。
美國專利商標局（USPTO）於2021年1月13日發布「中國大陸商標與專利：非市場因素對申請趨勢與智財體系之影響」（Trademarks and Patents in China: The Impact of Non-Market Factors on Filing Trends and IP Systems）研究報告，指出中國大陸近年來急遽增加的專利與商標申請案件數，從申請海外專利保護比率低、專利發明商業化比率低以及惡意（bad-faith）或詐欺性（fraudulent）商標申請案件比率高等現象觀察，申請案件數的爆量很有可能源自政府補貼或其他非市場因素的影響。 USPTO指出，中國大陸在2019年的專利與商標申請案件數均達到歷史新高，包含商標案件數達780萬件、發明專利申請案件數達150萬件，已經接近全球申請案件數的一半，也引起國際的關注。有別於其他國家因創新活動熱絡所帶動的專利及商標申請案件量增長，中國大陸在2020年世界智財組織（WIPO）所統計的智財授權比率僅排名第44，顯示中國大陸在智財商業化比率極低，其專利與商標申請案件數的暴增可能源於其他非市場因素。 USPTO指出，政府補貼可能是刺激商標與專利申請案件數增長的最大原因，由於中國大陸中央與地方政府持續推動商標補貼措施，補貼金額通常高於商標註冊費用，進而引導人民大量註冊非為商業使用之商標，在專利申請上也有類似的情況，中國大陸政府推動超過195個專利補貼措施，創造了以申請專利賺取補貼的誘因。這些非市場因素的商標及專利申請案件，除了可能誤導對於中國大陸創新能力的評估外，也正在破壞保護真正創新活動的能量。
歐洲推動人體生物資料庫再利用沙盒非營利組織EIT Health於2020年2月展開公共人體生物資料庫（Public biobank）再利用之「數位沙盒」（Digital Sandbox）計畫的第二次公開徵求。參與的中小企業於提案後，可於2020年7月底前獲得通過與否的通知，並最快於2020年9月開始參與計畫。 EIT Health成立於2015年，是歐洲創新技術研究所（European Institute of Innovation and Technology）下的「知識與創新社群」（knowledge and innovation community）之一，主要資金來自歐盟「展望2020」（Horizon 2020）。有鑑於數位革命創造了大量極具研究價值的醫學生物資料，EIT Health於2019下半年提出公共人體生物資料庫再利用之「數位沙盒」計畫構想，該計劃主要目的在支持中小企業利用該生物資料實施創新服務或開發產品。 而依據歐盟一般資料保護規則（General Data Protection Regulation, GDPR）第89條規定，如果生物資料庫之利用係基於科學研究或公共利益之必要，可以在符合「適當的技術和組織措施」（Technical And Organisational Measures）之前提下得到豁免（exemptions）。依此條文，EIT Health之「數位沙盒」計畫參與者得不遵守GDPR第15條（資料主體之接近使用權）、第16條（更正權）、第18條（限制處理權）、第19條（關於更正或刪除個人資料或限制處理之通知義務）、第20條（資料可攜性權利）以及第21條（拒絕權）之規定。透過此計畫，有望幫助中小企業獲得公共人體生物資料庫、研究參與者（Sample holder）和登記冊的近用權限。此外，計畫亦提供最高35,000歐元的資金，以幫助中小型企業在開發創新產品時利用資料。
美國眾議院通過爭議性的GMO產品標示草案美國聯邦眾議院在7月23日時通過極富爭議性的《2015安全與精準食物標示法》(Safe and Accurate Food Labeling Act of 2015)草案，目前該案已經交由美國聯邦參議院審理，並完成參議院二讀程序，交由參議院農業、營養與森林委員會(Committee on Agriculture, Nutrition, and Forestry)審理。本案主要目的在於替自願性基因改造與非基因改造標示建立一套統一的聯邦標準。引發爭議的是本案第203條b項的規定，該條款規定禁止各州建立強制性基因改造產品標示制度。 該案由堪薩斯州選出的共和黨籍聯邦眾議員Mike Pompeo提出。根據他及本案最主要的遊說團體美國雜貨製造商協會(Grocery Manufacturers Association)的說法，之所以要禁止各州建立強制性的GMO產品標示制度，目的有二：一是透過建立全國性的標準，避免各州標準不同的紊亂。一是他們認為「基改產品跟非基改產品一樣好」，如果強制標示可能會誤導消費者，使其認為基改產品可能是有問題或風險的。同時，他們也擔心強制標示可能將導致產品的價格上升。這樣的主張確實獲得了許多眾議院議員的支持。該案在眾議院通過時獲得了275張支持票，其中有45票是民主黨籍眾議員投下的。分析這些投下贊成票的民主黨籍眾議員，大部分是來自對食物價格較為敏感的選區，或是在競選期間就已經收到來自農業部門的巨額捐款。 至於反對者則認為，由於本案將使各州及聯邦食藥署無法建立強制性的標示規定，侵害人民對於基改產品知的權利，而將此案稱為「黑暗法」(DARK Act)。他們認為在科學界對基因改造產品安全仍無絕對的共識、人民又對基改作物存有疑慮的情況下推動這項法案完全不合理。而這樣的爭論隨著今年三月世界衛生組織所屬的研究機構──國際癌症研究機構宣布將廣泛用於GMO穀物的除草劑草甘膦(或稱嘉磷塞，Glyphosate)歸類為2A類致癌物 (對人類很可能有致癌性，probable human carcinogen)後，變得更為激烈。許多反對者因此對基因改造產品的安全性有更高的疑慮。 一般預料，美國聯邦參議院將開始處理本案，支持與反對本案雙方的競爭也越趨白熱化，目前也有幾個修正的提案正在醞釀。當前美國國內已有康乃狄克州及緬因州等少數州別通過了強制的基改食品標示法案，此外還有66個法律案正在27個不同的州審議中。本案如果通過將大幅改變美國在此領域的管制情形。而由於美國是全球重要的基改產品生產國，本案的最終結果預料也經影響未來國際上對基改產品標示的管制。
世界衛生組織發布人工智慧於健康領域之監管考量因素文件，期能協助各國有效監管健康領域之人工智慧世界衛生組織（World Health Organization, WHO）於2023年10月19日發布「人工智慧於健康領域之監管考量因素」（Regulatory considerations on artificial intelligence for health）文件，旨在協助各國有效監管健康領域之人工智慧，發揮其潛力同時最大限度地降低風險。本文件以下列六個領域概述健康人工智慧之監管考量因素： （1）文件化與透明度（Documentation and transparency） 開發者應預先規範（pre-specifying）以及明確記錄人工智慧系統（以下簡稱AI系統）之預期醫療目的與開發過程，如AI系統所欲解決之問題，以及資料集之選擇與利用、參考標準、參數、指標、於各開發階段與原始計畫之偏離及更新等事項，並建議以基於風險之方法（Risk-based approach），根據重要性之比例決定文件化之程度、以及AI系統之開發與確效紀錄之保持。 （2）風險管理與AI系統開發生命週期方法（Risk management and AI systems development lifecycle approaches） 開發者應在AI系統生命之所有階段，考慮整體產品生命週期方法（total product lifecycle approach），包括上市前開發管理、上市後監督與變更管理。此外，須考慮採用風險管理方法（risk management approach）來解決與AI系統相關之風險，如網路安全威脅與漏洞（vulnerabilities）、擬合不足（underfitting）、演算法偏差等。 （3）預期用途、分析及臨床確效（Intended use, and analytical and clinical validation） 開發者應考慮提供AI系統預期用途之透明化紀錄，將用於建構AI系統之訓練資料集組成（training dataset composition）之詳細資訊（包括大小、設定與族群、輸入與輸出資料及人口組成等）提供給使用者。此外，可考慮透過一獨立資料集（independent dataset）之外部分析確效（external analytical validation），展示訓練與測試資料以外之效能，並考慮將風險作為臨床確效之分級要求。最後，於AI系統之上市後監督與市場監督階段，可考慮進行一段期間密集之部署後監督（post-deployment monitoring）。 （4）資料品質（Data quality） 開發者應確認可用資料（available data）之品質，是否已足以支援AI系統之開發，且開發者應對AI系統進行嚴格之預發布評估（pre-release evaluations），以確保其不會放大訓練資料、演算法或系統設計其他元素中之偏差與錯誤等問題，且利害關係人還應考慮減輕與健康照護資料有關之品質問題與風險，並繼續努力創建資料生態系統，以促進優質資料來源之共享。 （5）隱私與資料保護（Privacy and data protection） 開發者於AI系統之設計與部署過程中，應考慮隱私與資料保護問題，並留意不同法規之適用範圍及差異，且於開發過程之早期，開發者即應充分瞭解適用之資料保護法規與隱私法規，並應確保開發過程符合或超過相關法規要求。 （6）參與及協作（Engagement and collaboration） 開發者於制定人工智慧創新與部署路線圖之期間，需考慮開發可近用且具有充足資訊之平台，以於適合與適當情況下促進利害關係人間之參與及協作；為加速人工智慧領域實務作法之進化，透過參與及協作來簡化人工智慧監管之監督流程即有必要。