何謂不實施專利實體（Non-Practicing Entity，NPE）？
所謂NPE依據現行學術界對於NPE的內涵認知，認為NPE係指不從事任何商品生產，亦不從事任何研發工作者。而在現行NPE的運作態樣上，其可包含兩種類型，其一，為大學和研究機構（例如：公、私立實驗室），其主要係由校內教職員或研究人員進行基礎性研究，並將研究成果授權予其他個人或組織來運用，其本身並不從事任何商品生產者；其二，係由個人或是中小型組織/團體以購買專利的方式來獲得專利權，並藉由專利權本質上的排他性特徵，以訴訟方式來控告侵害其專利權的成功商品製造者。後者，英文稱其為『Patent Troll』，中文可譯為『專利巨人』、『專利蟑螂』、『專利流氓』、『專利地痞』或『專利恐怖分子』等。其主要特徵有三項，首先，此類NPE係藉由專利取得的方式，向潛在或可能的專利侵權者（alleged infringers）收取專利授權金；第二，此類NPE並不進行任何研發活動，其亦不就其所擁有的專利來從事商品化活動或發展新型技術；第三，此類NPE投機性地等待商品製造者（industry participants）在投入不可回復鉅額投資後，始對該商品製造者行使專利侵權主張。
本文為「經濟部產業技術司科技專案成果」
王怡婷
法律研究員 編譯整理
為了提高市場競爭，Ofcom於2006年時允許BT集團將旗下網路接取部門獨立為Openreach公司。當時，英國政府希望透過市話迴路細分化(local loop unbundling)，並讓所有寬頻網路提供者得以於無差別待遇取得銅絞線網路(copper phone network)批發價，減少不公平競爭產生。在BT分拆多年後，根據Ofcom今(2013)年的統計，原細分化出租之線路從過去的12萬3千條，提升至900萬條，較過去成長70倍。銅絞線批發價公開、合理，亦促使民眾享有比過往更低的資費與更多元的服務，使社會福利成長。 除此之外，市話迴路細分化不僅促進既有固網市場競爭，使消費者僅用一半的價格取得相同服務，亦間接加速業者投資意願，提高英國「高速寬頻」(superfast broadband，30M)的發展。目前，BT光纖建置速度每星期達10萬用戶可接取，輔以Ofcom2010年要求BT光纖基礎設施開放與虛擬細分化(virtual unbundling)，使英國已有80家以上業者透過光纖提供網路，增加民眾選擇的權力。是故，在高速網路接取率逐步提高下，致使英國在2012年年底時，已有13%的家戶採用高速寬頻，其成長幅度亦是過往兩倍。 雖然，英國高速網路發展逐步進入軌道，但亦仍有發展之隱憂。首先，有別於銅絞傳輸寬頻網路市場競爭，民眾在選擇高速寬頻網路商時，多數僅願意採用BT與Virgin，造成市場競爭失衡。此外，BT取得政府非商業區光纖建設之多數補助，這是否會造成不競爭，仍後續觀察。最後，BT雖允諾開放其於業者租用光纖線路，但已有多家ISP業者申訴BT利用「價格擠壓」的方式，增加市場優勢。 英國為了在2015年能成為全歐洲寬頻發展最為優秀的國家，近期已宣布將重新檢視現有固網接取市場的管制架構，藉由兼顧市場競爭與基礎建設加速投資，促使網路能普及於英國。
歐洲專利局發布人工智慧與機器學習專利審查指南正式生效歐洲專利局（European Patent Office, 下稱EPO）於2018年11月1日發佈新版專利審查指南已正式生效。此次新版的焦點為Part G, Chapter II, 3.3.1關於人工智慧（Artificial Intelligence, AI）與機器學習（Machine Learning, ML）的可專利性審查細則。 在新版審查指南Part G, Chapter II, 3.3中指出數學方法本身為法定不予專利事項，然而人工智慧和機器學習是利用運算模型和演算法來進行分類、聚類、迴歸、降維等發明，例如：神經網路、遺傳演算法、支援向量機（Support Vector Machines, SVM）、K-Means演算法、核迴歸和判別分析，不論它們是否能夠藉由數據加以訓練，此類運算模型和演算法本身，因具有抽象的數學性質而不具專利適格性。 其中，EPO亦針對人工智慧和機器學習相關應用舉例下列特殊情形，說明可否具備發明技術特徵： （一）可能具技術性 在心臟監測儀器運用神經網路辨別異常心跳，此種技術為具有技術貢獻。 基於低階特徵（例如：影像邊緣、像素數值）的數位影像、影片、音頻或語言訊號分類，屬於分類演算法的技術應用。 （二）可能不具技術性 根據文字內容進行分類，本身不具技術目的，而僅是語言學的目的（T 1358/09） 對抽象數據或電信網路數據紀錄進行分類，但未說明所產生分類的技術用途，亦被認定本身不具技術目的，即使該分類演算法的數據價值高（例如：穩健性）（T 1784/06）。 在新版審查指南中亦指出，當分類方法用於技術目的，其產生之訓練集（training set）和訓練分類器（training the classifier）的步驟，則能被視為發明的技術特徵。 近年來，人工智慧技術的應用分佈在我們的生活中，無論是自駕車、新藥開發、語音辨識、醫療診斷等，隨著人工智慧和機器學習技術快速發展，新版的審查指南將為此技術訂定可專利性標準，EPO未來要如何評判人工智慧和機器學習相關技術，將可透過申請案之審查結果持續進行關注。 「本文同步刊登於TIPS網站（https://www.tips.org.tw ）」
日本《研究資料基盤整備與國際化戰略》報告書日本因應各先進國家近年於開放科學概念下，政府資助研發計畫研究資料管理及開放之倡議與制度化推展趨勢，內閣府於2015年提出開放科學國際動向報告書，並在第5期科學技術基本計畫與2019年統合創新戰略中規劃推動開放科學。上述政策就研究資料管理開放議題，擬定了資料庫整備、研究資料管理運用方針或計劃之制定、掌握相關人才培育與研究資料運用現況等具體施政方針。在此背景下，內閣府於2018年設置「研究資料基盤整備與國際化工作小組（研究データ基盤整備と国際展開ワーキング・グループ）」，持續檢討日本國內研究資料管理、共享、公開、檢索之基盤系統建構與政府制度、國家研究資料戰略與資料方針、國際性層級之推動方向等議題，在2019年10月據此作成《研究資料基盤整備與國際化戰略》（研究データ基盤整備と国際展開に関する戦略）報告書，形成相關政策目標。 本報告書所設定的政策目標採階段性推動，區分為短期目標與中長期目標。短期預計在2020年前，正式開始運用目前開發測試中之研究資料基盤雲端平台系統（NII Research Data Cloud, RDC），針對射月型研發計畫研擬並試行研究資料管理制度，建構詮釋資料（metadata）之集中檢索體系，並建立與歐洲開放科學雲（EOSC）之連結；中長期目標則規劃至2025年前，持續調適運用RDC，正式施行射月型研發計畫之研究資料管理制度，確立共享與非公開型研究資料之管理框架，蒐整管理資料運用現況之相關資訊，並逐步擴張建立與全球研究資料共享平台間之連結。
安全至上 監看有理？－論工作場所電子郵件監看法制爭議