挪威推動修法舒緩泛歐盟區域內國際漫遊費率問題
挪威交通部（Ministry of Transportation）甫於本月推出電子通訊法（Electronic Communication Act）修法草案，其主要針對1-5、2-12、4-14條之規定進行修正，期望透過確認主管機關對費率和爭端處理程序等事項之管轄權和財務補貼，解決歐盟（European Union；EU）和歐洲經濟區（European Economic Area；EEA）內，長期爭議不決的國際漫遊費率問題。
強調區域整合的泛歐盟經濟體（含27個EU會員國和挪威、列支敦士登、冰島3個EEA會員國），雖在貨物、人口、服務、貨幣之自由流通等，各項單一市場上的努力上相當成功，但其電信漫遊之跨國界服務，卻經常受到各界批評，主要問題即源自於居高不下的跨國漫遊費率。因歐洲地理和人口分佈稠密度甚高，居民極容易使用跨國電信服務，但卻需負擔動輒數倍的國際漫遊費用問題。近年來歐盟有意對此尋求解決之道，而挪威此次修法即為初步重要嘗試之一。
美國眾議院已於本週（2007.05.23）口頭表決通過「反間諜程式法草案」，未來將有待於參議院表決通過後，公佈施行該法。 間諜程式通常是指涉收集電腦使用者資訊的惡意軟體，該惡意軟體通常係安裝免費軟體中不知名的某個套件，或者是隱含在所下載網路遊戲程式中、不請自來的廣告頁面或者電腦中毒所導致。其危險之處即在於，該惡意軟體將使電腦使用者的使用者帳號、密碼以及個人金融帳目細節等等個人資料傳遞出去，以詐欺該使用者。 由於該法案要求程式開發商於使用者下載此類程式前，需要提醒使用者以及獲得他們的同意，因此，軟體產業非常反對該項規範。 據了解，美國眾議院已於2004年及2005年以壓倒性的勝利表決通過「反間諜軟體法案」，惟當時該法案並無法獲得參議院的青睞，而慘遭否決。
日本總理公布「推展氫（水素）燃料基本方針」並加速落實再生能源計畫日本首相安倍晉三於2017年4月11日出席「第一次再生能源及氫（水素）燃料內閣會議」，在會議中進行加速引進再生能源及落實氫燃料社會等議題探討，並公布「推展氫（水素）燃料基本方針」，以達成2020年具有4萬台電動汽車之目標，並推展相關氫燃料之相關規範及準備，謹對於相關重點政策綜述如下： 一、為擴大再生能源之使用，5年內中央及各級政府共同展望12項計畫： 風能、地熱環境影響評估迅速化，並支援該地區之行政推廣。 透過地熱等開發，促進鄉鎮觀光發展。 擴大中小型水利之開發，統一提供及利用全國之資訊等。 林業及廢棄物處理、下水道政策之共同合作，促進生質能源發電。 促進海上風力發電，並檢討相關制度及環境規範。 為確保長期安定的太陽能發電，審視法規及相關制度。 引進低成本及遠距離控制之蓄電池。 以分散型能源系統，促進再生能源之利用。 相關行政程序之迅速化，以一站式窗口提供服務。 1與當地及環境共榮共存。 1低成本化及先端技術之研究開發。 可再生能源技術之海外支援。 二、邁向氫燃料社會之無碳排放目標： 首先，擴大電動車燃料電池、家用燃料電池等相通之氫燃料之利用，中長期於2020年以氫發電及大規模國內外氫原料之供應鏈，最終希望建立無碳排放之氫燃料電力供應系統目標。 在有擴大引進再生能源，並兼顧國民負擔之目標下，日本於2016年5月修正電氣事業再生能源電氣（FIT法）相關特別措施，且於2017年4月開始引進相關新的事業計畫及措施。
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。
歐盟執委會通過關於《人工智慧責任指令》之立法提案歐盟執委會（European Commission）於2022年9月28日通過《人工智慧責任指令》（AI Liability Directive）之立法提案，以補充2021年4月通過之《人工智慧法》草案（Artificial Intelligence Act）。鑑於人工智慧產品之不透明性、複雜性且具自主行為等多項特徵，受損害者往往難以舉證並獲得因人工智慧所造成之損害賠償，《人工智慧責任指令》立法提案即為促使因人工智慧而受有損害者，得以更容易獲得賠償，並減輕受損害者請求損害賠償之舉證責任。 《人工智慧責任指令》透過引入兩個主要方式：（一）可推翻之推定（rebuttable presumptions）：人工智慧責任指令透過「因果關係推定（presumption of causality）」來減輕受損害者之舉證責任（burden of proof）。受損害者（不論是個人、企業或組織）若能證明人工智慧系統因過失或不遵守法規要求之義務，致其受有損害（包括基本權利在內之生命、健康、財產或隱私等），並且該損害與人工智慧系統之表現具有因果關係，法院即可推定該過失或不遵守義務之行為造成受損害者之損害。相對的，人工智慧之供應商或開發商等也可提供相關證據證明其過失不可能造成損害，或該損害係由其他原因所致，以推翻該損害之推定。（二）證據揭露機制（disclosure of evidence mechanism）：若受害者之損害涉及高風險人工智慧時，得要求自該供應商或開發商等處獲取證據之權利。受害者透過證據揭露機制能夠較容易地尋求法律賠償，並得以找出究責的對象。 歐盟執委會認為以安全為導向的《人工智慧法》，為人工智慧訂定橫向規則，旨在降低風險和防止損害，但仍需要《人工智慧責任指令》之責任規定，以確保損害風險出現時，相關賠償得以被實現。但歐盟執委會仍選擇了較小的干預手段，《人工智慧責任指令》針對過失之責任制度進行改革，並未採取舉證責任倒置（a reversal of the burden of proof）之作法，而是透過「可推翻之推定」，一方面減輕受損害者之舉證責任，使受損害者得對影響人工智慧系統並產生過失或侵害行為之人提出損害賠償；另一方面賦予人工智慧之供應商或開發商等有機會推翻前揭造成損害之推定，以避免人工智慧系統之供應商或開發商面臨更高的責任風險，可能阻礙人工智慧產品和服務創新。