日立全球儲存科技公司對大陸微型硬碟製造商提起專利侵權訴訟
硬碟製造商日立全球儲存科技公司（Hitachi Global Storage Technologies）聲明該公司已於2004年12月28日於北加州地方法院對中國大陸硬碟製造商南方匯通微型硬碟科技股份有限公司（GS Magicstor of China）及其位於加州Milpitas之聯合研究機構GS Magic and Riospring of Milpitas, CA提起專利侵權訴訟，主張南方匯通侵害日立對於生產硬碟所擁有的多項專利權，並希望獲得財產上損害賠償並永久禁止GS Magic繼續於美國製造、利用、進口、販售該侵權產品，求償額度目前尚未公佈。
日立所生產的一吋硬碟已被裝配於Apple的iPod Mini MP3隨身聽，該公司更計畫於今年開發更小的微型硬碟。
由於現在手機、相機拍照風潮盛行，Pinterest 成為一個圖像社交網站大品牌，近期，展開一連串的法律行動，禁止其他公司的使用Pin開頭的商標，成功擊退其他申請人於相同類別，註冊「Pinlets」和「Pintegrate」等商標。 此外，美國專利商標局允許Pinterest註冊其經設計的「P」商標用於APP的小圖示，但根據TechCrunch報導，因為紅白設計的「P」看起來與另一間公司Path的標誌非常相似，今年七月Pinterest改版，引入了新的介面與動畫，而此動畫非常相似於Path的介面，當用戶點擊螢幕，小圓圖標彈出，指引使用者可採取的行動，Path要求美國專利商標局，延後Pinterest的商標註冊核准。 另，Pinterest近期也獲得了一場勝利，舊金山美國地方法院裁定，網路蟑螂須為他搶註100個網域名稱的行為，賠償720萬美元予Pinterest。網路蟑螂註冊許多與知名公司相似的網域名稱，而此次由於單一的網路蟑螂，卻擁有100個類似於Pinterest的網域名稱，例如：pinterests.com、pimterest.com 與 pinterost.com，企圖藉此吸引訪客，因此法官認定網路蟑螂構成故意侵權，可能造成Pinterest的商譽受損或被稀釋淡化。 Pinterest的發言人表示，對於Pinterest的使用者而言，這是一個很好的結果。
數位內容傳輸新服務：推動數位內容產業的另一個面向伊格奈科技公司(Ignite Technologies Inc.)推出了一款數位內容傳播輔助工具，可幫助企業傳輸大量的數位內容檔案。此項名為伊格奈溝通者(Ignite Communicator)的服務，能協助企業傳輸各種數位內容的檔案，包括視訊、圖形及軟體。此項工具最大的特色，在於能跨越各種不同的作業平台，進行檔案傳輸。 伊格奈此項新服務，能協助企業傳遞資料給遠端行動的使用者，亦可聯結企業夥伴或客戶各種不同層級的網路系統。對於內容豐富而檔案龐大的數位內容傳播而言，此類跨平台的傳播技術與服務，對於 B2B 與 B2C 的數位內容應用，都是一大推動助力。
複製人類在歐美之法制規範 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。