簡介日本「u-Japan政策」
歐盟執委會於2023年7月6日更新《軍民兩用貨品與優先技術出口相關限制》（Export-related restrictions for dual-use goods and advanced technologies）一般性指引，本指引彙整制裁俄羅斯與白俄羅斯的常見問答，針對歐盟2014年第833號規則（Council Regulation (EU) No 833/2014）第2條、第2a條以及第2b條等規定進行說明，提供相關主管機關、利害關係人（包括出口商）參考。 本指引此次更新「高度優先戰場項目清單」（List of High Priority Battlefield Items）以供相關主管機關密切追蹤相關貨品是否有違法輸往俄羅斯的狀況，分別公布四組HS稅號以監控貨品的進出： （1）積體電路相關項目，分別為HS稅號854231、854232、854233以及854239。 （2）通訊及被動電子元件相關項目，分別為HS稅號851762、852691、853221、853224以及854800。 （3）半導體裝置等項目，分別為HS稅號847150、850440、851769、852589、853669、853690、854110、854121、854129、854130、854149、854151、854159、854160、880730、901310、901380、901420以及901480。 （4）自動資料處理機器元件等項目，分別為HS稅號847180、848610、848620、848640、853400、854320、903020、903032、903039以及903082。
WHA79通過加強藥品監視決議 強化全球衛生體系韌性第七十九屆世界衛生大會（Seventy-ninth World Health Assembly, WHA79）基於智利、埃及、科威特、秘魯、卡達、突尼西亞及坦尚尼亞等七國提案，於5月23日通過《推動智慧、高效的藥品監視，作為強健、永續、具韌性與回應性衛生體系的核心工具——惠及所有人、覆蓋所有地方》（Advancing smart, efficient pharmacovigilance as an essential tool for robust, sustainable, resilient and responsive health systems, for everyone, everywhere）決議。 以下為決議之摘要： 一、定位擴展：由用藥安全邁向衛生體系韌性 該決議將傳統以上市後用藥安全監視（pharmacovigilance, PV）定位為具韌性衛生體系的制度工具之一，以風險為基礎的藥品與疫苗安全監視，是確保病人安全、推動藥品與疫苗可近性及達成全民健康覆蓋（Universal Health Coverage, UHC）的重要基石。 二、結構性挑戰：系統碎片化、能力落差與錯假訊息 該決議指出，當前全球藥品監視體系面臨三項核心挑戰。其一，不同疾病所建立的藥品監視系統缺乏協調與整合，導致資料分散、資源重複運用及整體效率不彰的問題；其二，各國在監管能力與基礎建設方面存在顯著落差，使資料的完整性與代表性受到限制，特別影響資源有限的國家在區域及全球決策中的實質參與；其三，有關藥品與疫苗安全的錯誤與虛假資訊持續透過社群媒體擴散，削弱公眾對監管機關的信任，增加推動公衛措施的困難。 三、具體行動：整合系統、強化法制與推動國際協作 該決議明確要求成員國須整合並強化現有藥品、疫苗等監視系統，提升資料互通與運用效率以防資源重複，同時應完善法規，將藥品監視納入製造商與市場授權持有人等主體的核心義務，並投入資源培養專責人力與技術。而WHO則須持續更新技術指引與工具、建立績效指標，並在尊重資料主權與安全的前提下推動共享機制，以促進全球資料品質及支持國家公平參與。 綜上所述，該決議反映全球藥物安全監視的定位，已從單純著重「用藥安全」，擴展為確保藥品與疫苗安全、品質與可近性的重要治理工具，並將藥品監視視為支持衛生體系韌性的一項關鍵制度。
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 ）」