英國因應自動駕駛車輛上路，提出新保險責任制度
英國政府為達成於2021年使完全無須人為操控的自動駕駛車輛可在英國公路上行駛之目標，提出新保險責任制度。透過自動駕駛和電動車輛法案的提出，將為自動駕駛車輛可合法上路行駛鋪路，從而帶動自動駕駛車輛產業發展。整體而言，一旦此立法正式通過，除了代表英國政府正式樹立自動駕駛車輛的保險框架里程碑外，也象徵英國朝向2021年的目標又更邁進一步。
歐盟執委會(European Commission)在2014年5月28日提出源安全政策，此係歐洲針對各個會員國的能源依賴程度進行調查後所提出之政策。 歐洲多數國家對於能源需求有超過50%仰賴進口，且近來烏克蘭與俄羅斯政治紛爭引起許多的關注，尤其在天然氣使用部分，多半從俄羅斯透過管線運送方式進口，因此可能產生的能源短缺危機不容忽視。為此，歐盟再次針對能源使用的安全性問題提出政策方針。 政策訂定之目標可分為八項，分別為短期、中期及長期三個階段，每階段皆應採取具體執行措施，以因應能源安全問題: 強化能力，克服2014年及2015年冬天將面臨的能源短缺問題。 加強緊急應變措施，包括風險評估、偶發事件計畫以及維持既有的公共設施。 減緩能源的需求 建構具良好功能與全面整合的內部市場 增加歐盟地區的能源產出 進一步發展能源科技 使提供能源的來源國家以及相關公共設施多樣化 促進國家間能源政策的合作，並和外部交流。 其中，具體的措施包括執委會利用能源安全壓力測試(energy security stress test)模擬仿冬天天然氣供應短缺的問題，採用逆流(reverse flows)輸送、使用化石燃料替代能源、增加可提供出口能源的國家，不再侷限俄羅斯、阿爾及利亞、利比亞以及挪威國家等等。 此項政策後續的相關計畫內容已於6月26日及27日由歐盟由各國代表出席歐盟執委會會議討論，其是否能解決歐洲能源短缺問題，作為其他國家之參考借鏡，值得觀察。
行動上網吃到飽對電信產業之影響隨著4G開台，各家電信業者為獲取用戶數，爭相推出無限上網吃到飽方案，然在數據流量呈現爆炸性成長下，電信業者之收益卻持續下探。為解決此問題，本研究嘗試提出建議方案，期望實現我國對數位經濟之願景。
3D列印所涉法律議題3D列印（3D printing），屬於快速成形技術的一種，以數位模型檔案為基礎，運用粉末狀金屬或塑膠材料等可粘合材料，透過逐層堆疊累積的方式來構造物體的技術（即「積層造形法」）。過去其常在模具製造、工業設計等領域被用於製造模型。現在則可用於產品的直接製造，特別是一些高價值應用（比如髖關節或牙齒，或一些飛機零組件）已經有使用這種技術列印而成的零組件，技術漸漸成熟普及。 3D列印通常是採用數位技術材料印表機來製作。3D印表機的產量以及銷量2013年以來已經得到了極大的增長，其價格也正逐年下降，未來家家戶戶擁有3D列印機器可能就如同擁有洗衣機般平凡，帶出新的商機。該技術在珠寶、鞋類、工業設計、建築、工程和施工（AEC）、汽車、航空太空、牙科、醫療產業、教育、地理訊息系統、土木工程、槍枝以及其他領域都有所應用。 然而3D列印機器的普及只要透過網路平台下載相同的數據檔案，就能夠不花費一毛錢即可得到相同的內容，因此引發了智慧財產權的爭論。 3D列印所涉及的法律議題相當廣泛，有：著作權、專利權、商標權。再者，而在工商業等公司法領域，亦有可能可透過公平法加以保護。另外，專利法、新型專利法 （Gebrauchsmuster）、外觀設計法（Designrcht）對於實際上不能保密的技術解決方案和設計，例如，在產品具體化過程、在跨企業生產時、或物流遞送和服務提供過程中，在法律保護上，則重大意義。 又，在工業4.0因使用跨越國界之互聯網程序和系統，亟需國際法之保護，唯智慧財產權部分仍應該遵守屬地原則，以在該國有法律規定者為限。 在歐洲法律的層級，歐陸未來歐盟專利（EU-Patent）或稱歐洲專利一體化效果（Europäisches Patent mit einheitlicher Wirkung, EPeW） 將得到簡化，將具備共通的專利保護法律框架。
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。