日本ICT全球化戰略
日本總務省為透過推動社會全體數位化，實現SDGs及Society 5.0目標，自2018年12月起召開「數位變革時代之ICT全球化戰略懇談會」（デジタル変革時代のICTグローバル戦略懇談会）檢討具體對策，並於2019年5月31日公布「ICT全球化戰略」（ICTグローバル戦略）。「ICT全球化戰略」基於社會全體數位化、推廣Society 5.0，以及透過提昇產業構造和勞動環境效率，創造具備豐富多彩價值之社會等理念，提出（1）透過數位化達成SDGs戰略︰公私部門合作推動社會全體之數位化，解決日本及世界社會問題；（2）資料流通戰略︰以確保個人資料之可控性為前提，推動制定國際規範及進行法制環境整備；（3）AI/IoT加值運用戰略︰提出以人類為中心之AI原則，檢討AI時代之資料重要性，推動AI人才培育；（4）網路安全戰略︰因應IoT機器和服務發展，確保網路安全性；（5）ICT海外展開戰略︰因應世界數位市場發展趨勢，檢討如何推動日本企業於海外發展；（6）開放創新戰略︰從利用次世代溝通技術提高生活品質、實現由資料所驅動之社會、建構支援未來之高度化網路等方向出發，推動相關研發計畫等6大戰略。
本文為「經濟部產業技術司科技專案成果」
歐盟委員會與美國白宮於2022年3月25日發布聯合聲明，宣布雙方已就新的跨大西洋資料傳輸框架達成原則性協議。此舉旨在因應2020年7月歐盟法院（Court of Justice of the European Union）於Schrems II案的判決中宣告「歐盟—美國隱私盾協定」（EU-US Privacy Shield Framework）不符合歐盟一般資料保護規則（General Data Protection Regulation, GDPR）而無效。依照該聯合聲明，新的框架將在雙方間資料流動的可預測性、可監督性、可信賴性以及可救濟性等方面進行補強，以充分維護公民的隱私與自由權利。 目前，該框架仍處於原則性協議的階段，具體細節仍有待後續談判。聯合聲明指出，美國在下列三個方面做出了「重大承諾」： 加強控管美國的情報活動，以確保所追求國家安全目的適法，且所採取的手段係在必要範圍內，而未過度侵犯公民的隱私與自由。 建立具有約束力且獨立的多層次救濟機制，其中包含一個由非政府人員所組成的「個人資料保護審查法院」，並賦予該組織完全的審判權。 針對情報活動強化分層且嚴格的行政監督機制，以確保其合乎隱私與自由的新標準。 上述原則性協議的達成，表面上無疑是一項好消息，將有助於解決雙方跨境資料傳輸的法源爭議，並避免持續演變成嚴重的歐美貿易爭端。然而，美國政府能否順利將新框架轉化為具有約束力的國內行政命令，仍存在相當多的不確定因素。若結果為否，則最終亦難以達成取得歐盟根據GDPR所為「適足性認定」（adequacy decision）的政策目標。
IBM釋出500項專利IBM送大禮給開放原始碼軟體開發商，全美專利龍頭IBM宣布，釋出500項專利供軟體開發業者使用。此舉顯示IBM的智慧財產權策略有重大改變，而高科技產業同時將面臨挑戰。 IBM有意藉此在開放原始碼軟體開發業間建立專利共享的風氣，IBM資深副總凱利（John E. Kelly）表示，此舉是跨出一大步，希望其他人能追隨IBM做法，讓共享的專利能愈來愈多。另一位副總史托凌（Jim Stallings）指出，此舉是美國史上截至目前最大宗的專利開放案，意在鼓勵其它公司釋出專利以刺激科技創新。與此同時，美國專利商標局公布了去年度專利核發紀錄，IBM以獲得3248項專利勇冠全美，並將連霸紀錄推向連續12年，IBM去年度新添專利數量硬是比第二名的松下電器多出1314項。 IBM這次釋出的五百項專利，其領域涵蓋儲存管理、模擬多重處理、影像處理、資料庫管理、網路連結和電子商務。該公司希望透過此一開放授權計畫帶動開放原始碼軟體開發業的合作風氣，這有利將問題轉化成一個交流平台，也有助改良IBM的發明。 過去，IBM曉得利用專利授權創造更大利潤，這十年來IBM靠專利賺來的錢一直是勇冠全球，即使這次開放五百項專利，仍有數以千計的專利繼續為IBM賺取大筆佣金。大量開放專利的舉動造就IBM以較寬鬆定義重新詮釋專利法的先驅地位，評論家認為，這十年來的專利法改革侷限了軟體開發者的創新自由度，不再像促成個人電腦革新和網路革命的時空背景那般自由。IBM表示，該公司仍是專利的所有人，依舊保留運用專利對抗商用軟體製造商的權利。
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。