歐盟法院取消adidas（阿迪達斯）三條紋商標
2019年6 月19日歐盟普通法院（THE GENERAL COURT）於以商標並不具備獨特性裁定，長年深植人心之Adidas「三條紋」商標（下稱系爭商標）無效。
Adidas於2013年底，將系爭商標向歐盟智慧財產局提交「圖形商標」（figurative mark）之註冊申請，並登記商標用途為服裝、鞋類、帽子。而於隔年比利時鞋類公司Shoe Branding Europe BVBA依相關規定（Article 52(1)(a)、Article 7(1)(b) of Regulation No 207/2009）提出系爭商標無效之申請，經審議後系爭商標因無任何獨特性，批准無效。隨後Adidas向歐盟智慧財產局提出上訴（Articles 58 to 64 of Regulation No 207/2009），上訴聲明中並未針對系爭商標缺乏獨特性一事提出異議，而是稱系爭商標已符合「經使用取得其獨特性」之規定（Article 7(3) and Article 52(2) of Regulation No 207/2009）。惟歐盟智慧財產局認為，Adidas無法證明系爭商標在歐盟境內有經使用而取得獨特性駁回上訴，隨後Adidas再向歐盟普通法院提出訴訟。
最終歐盟普通法院之裁決，仍維持2016年歐盟智慧財產局取消此系爭商標註冊之決定。歐盟普通法院認為Adidas未能證明「三條紋」在全歐盟28國內有「獨特性」，系爭商標僅只為「普通的象徵標記」。所謂「獨特性」應為於全歐盟國之消費者清楚知悉系爭商標之「三條紋」等於Adidas，並能與其他公司之產品作出區分。
王凱嵐
法律研究員 編譯整理
Adidas loses EU bid to extend three-stripe trademark, Reuters, https://www.reuters.com/article/us-eu-court-adidas/adidas-loses-eu-bid-to-extend-three-stripe-trademark-idUSKCN1TK0P7 (last visited June 28, 2019) Adidas loses three-stripe trademark battle in European court, The Guardian, https://www.theguardian.com/law/2019/jun/19/adidas-loses-three-stripe-trademark-battle-in-european-court (last visited June 28, 2019)
2018年12月1日，加拿大智慧財產局公告了新專利法，並立2018年12月1日起至31日為公衆諮詢期，該法於2019年正式生效。 本次專利法修改多屬鬆綁權利人之期日限制，包括： 恢復優先權主張：在新專利法上路後，在非故意錯過了12個月的優先權期限的情況下，可允許將優先權期限延長至14個月； 更容易取得申請日：針對直接申請加拿大專利而非透過專利合作條約（Patent Cooperation Treaty，PCT）的申請案，即使尚未繳納申請費，或是相關申請文件非英文和法文，一樣可以取得申請日； 允許補交在主張優先權申請遺漏的內容； 獲核准通知後提出修改作業的程序順暢化； 採用電子送件，排序列表不會被徵收超頁費； 對特定的錯誤有更明確的修正截止日：移除因「行政作業」上疏失而提出修正請求的規定，在其他規定上增加了明確的截止日； 採PCT途徑進入國家階段已經不再有42個月的期限； 維持費用制度較為複雜，錯過實質審查期限影響也較嚴重； 如果已遞交之申請案並非英文或法文版本，那未來修改申請案必須要能自合理的從原本外語版本中合理推論而出； 需提出優先權證明文件：申請人必須向加拿大專利局遞交每一件先前申請的優先權證明文件，特殊情況下才能豁免提交； 部分申請期限變短：新專利制度縮短申請人部分申請程序及時間，例如申請實體審查期限從申請日起5年內降為4年等。
美眾議院擬立法要求ISP業者留存用戶資訊八位美國眾議員於2007年2月6日連署提出新法案，擬賦予司法部門首長更大的權限要求網路服務提供者（ISP）記錄用戶的網路活動並留存特定的用戶資訊。草案提交眾議院審議後，隱私保護機構紛紛表達反對立場。 此次由德州眾議員Lamar Smith主導的新法案「the Internet Stopping Adults Facilitating the Exploitation of Today's Youth Act of 2007（簡稱SAFETY Act）」中，ISP業者必須保留的用戶資料，最低限度需包括用戶姓名、地址、電話及IP位址；至於用戶資料的留存期間，則將交由美國司法部決定。以現況而言，多數ISP業者所保存的用戶資訊均在半年以下；然而美國司法部部長Alberto Gonzales曾於2006年9月公開倡議ISP業者資料留存期間，應以兩年為宜。 此外，草案亦要求ISP業者發現其所提供的服務存在兒童色情情事時，應主動通報主管機關，否將面臨15至30萬美元的罰金；若其有意地助長兒童色情的流傳，更可能面臨最高10年的徒刑。 批評者如「民主及科技中心」（Center for Democracy and Technology；CDT）表示，此法案不啻為對憲法修正條文第一條的威脅，毫無限制的授權更可能肇致用戶資料的留存期間成為司法首長個人得以專擅決策之事項。
基因改良作物命運大不同身為世上最大基因改良（ GMO）棉花生產者的 中國大陸 ，已經批准將經過基因改良的混種棉花進行商業化，預料可以解決生活日用品上的短缺。相對於此， 歐盟 的農業部長們，卻對於是否批准編號1507的基因改良玉米，陷入一個進退維谷的困境。但是經過8年激烈的反對， 丹麥 卻允許基因改良玉米的進口。 而在 美國 有 85﹪的大豆，76﹪的棉花，45﹪的小麥是經過基因改良的。至於 澳洲 農業與資源經濟局則最近則對基因改良作物做出一份報告，認為各省禁止基因改良食品會減小經濟效益，使 澳洲 面對世界各地日益增多的基因改良作物發展，屈居弱勢。至終可能會在十年後造成1.5億到6億澳幣的損失。
德國聯邦資訊技術，電信和新媒體協會針對AI及自動決策技術利用提出建議指南德國聯邦資訊技術，電信和新媒體協會於2018年2月6日在更安全的網路研討會中針對利用人工智慧及自動決策技術利用提出建議指南（Empfehlungen für den verantwortlichen Einsatz von KI und automatisierten Entscheidungen），旨在提升企業數位化與社會責任，並提升消費者權益保護。 本份指南提出六項建議： 促進企業內部及外部訂定相關準則 例如規定公司在利用演算法和AI時，必須將影響評估列入開發流程，並列為公司應遵守的道德倫理守則，以確保開發的產品或服務符合公平及道德。 提升透明度 使用者如有興趣了解演算法及其含義，企業應協助調查並了解使用者想獲知的訊息，並透過相關訊息管道提升產品及服務透明度。因此，企業應努力使演算法及其操作和含義能夠被使用者理解。此亦涉及即將實施的歐盟一般資料保護規則中的透明度義務。在機器學習或深度學習情況下，可能會增加理解性和可追溯性難度，但有助於分析流程並使其更接近人類理解的方法在科學和商業實踐中，應特別關注並進一步討論。另外，透過教育及使用說明協助及控制功能，教導消費者係建立雙方信任的重要手段。企業應在第一線中說明產品或服務中使用的手段（演算法，機器學習，AI）。除了解釋使用那些技術來改進產品和服務外，應一併解釋如何從技術控制過程中獲得相關知識以及提供那些後援支持。另外，例如透過幫助頁面，儀表板或部落格，解釋發生什麼以及如何做出某些影響深遠的自動化決策，使用戶更了解有關使用自動決策相關訊息。因此建議企業採取強制有效以建立信任的措施，使用戶理解是否及如何使用相關演算法，此可能包括使用自動化決策，使用特定資料組和使用技術的目的，亦即使用戶對演算法，機器學習或AI支持的決策有基本的了解。 為全體利益使用相關技術 人工智慧等新技術之重要性不應被低估，目前在生活和工業等眾多領域皆有廣泛應用。對於個人和集體而言，將可帶來巨大的利益，因此應該充分利用。例如，人工智慧可降低語言障礙，幫助行動不便的人可更加獨立自主生活，改善醫療診斷，提升能源供應效率，甚至是交通規劃和搜索停車位，都只是人工智慧偉大且已被使用的案例。為促進技術發展，應公平地利用其優勢並預留商業應用模式的空間，同時充分解決涉及的具體風險。產業特定的解決方案十分重要，但應兼顧受影響者的利益，並與廣大公眾利益找出妥協平衡點，且應排除不適當的歧視。建議在使用決策支持技術時，應事先檢查相關後果並與其利益比較。例如，可以在資料保護影響評估的框架進行。作為道德準則的一部分，必須確保演算法盡可能量準確地預測結果。 開發安全的資料基礎 資料係人工智慧支援決策的基礎。與人為決策者相同，資料不完整或錯誤，將導致做出錯誤的決定。因此決策系統的可靠性仍取決資料的準確性。但資料質量和資料來源始終不能追溯到源頭，如果可能的話，只有匯總或非個人資料可用於分析或分類用戶群組。因此，確切細節不可被使用或揭露。因此建議企業應考慮要使用的資料、資料的類別和在使用AI系統前仔細檢查資料使用情況，特別是在自我學習系統中資料引入的標準，並根據錯誤來源進行檢查，且儘可能全面記錄，針對個人資料部分更應謹慎處理。 解決機器偏差問題 應重視並解決所謂機器偏差和演算法選擇和模型建立領域的相關問題。解釋演算法，機器學習或AI在基層資料選擇和資料庫時所產生決策偏見相當重要，在開發預期用途的演算法時必須納入考量，對員工應針對道德影響進行培訓，並使用代表性紀錄來創建可以識別和最小化偏差的方法。企業並應該提高員工的敏感度並培訓如何解決並減少機器偏見問題，並特別注意資料饋送，以及開發用於檢測模式的內、外部測試流程。 適合個別領域的具體措施和文件 在特別需要負責的決策過程，例如在車輛的自動控制或醫療診斷中，應設計成由責任主體保留最終的決策權力，直到AI的控制品質已達到或高於所有參與者水平。對類人工智慧的信任，並非透過對方法的無條件追踪來實現，而是經過仔細測試，學習和記錄來實現