部落格及其法律問題之初探
郭戎晉
副主任兼應研組組長 編譯整理
為邁向低碳經濟時代，建立歐洲成為具競爭力之低碳經濟體，歐盟執委會（European Commission）於2011年3月8日向歐洲議會（European Parliament）提出「2050低碳經濟策略規劃（A Roadmap for Moving to a Competitive Low-Carbon Economy in 2050）」，並設定2050年低碳總目標，宣示將透過加強低碳技術研究發展、推動能源效率使用等方式，降低對石化燃料依賴，並提昇區域內更多就業機會。 隨著近期中東與北非地區石油危機，原油價格節節高升，已嚴重影響歐洲國家每年能源支出經費，並降低未來各國經濟成長率。歐盟執委會認為，必須積極促進歐洲國家，經由投入科技研發、提昇能源效率，有效抑制不斷提昇的能源成本，推動歐盟邁向低碳經濟社會；並且，所設定目標及推動措施，倘若有所遲緩或推延，越晚投入將導致日後所需投入經費成本更為昂貴，悔不當初。「2050低碳經濟策略規劃」所設定之目標為，規劃透過各種符合成本效率（Cost-Efficient）措施及方法，推動歐盟區域內溫室氣體排放量至2030年降低40％、至2040年降低60％、至2050年降低80％（以1990年排放量為基準），達成低碳經濟願景目標。 歐盟執委會表示，未來應強化推動低碳技術之研究發展，促進未來更廣泛運用，並強調應更全面加強推動策略性能源科技研究計畫（Strategic Energy Technology Plan , SET-Plan），未來10年內歐盟將再額外增加50 billion歐元投資，加強推動能源科技相關研發工作，及未來可供運用之工具措施。 「2050低碳經濟策略規劃」中，詳細規劃推動步驟，並區分各大領域分別施行。以電力部門（Power Sector）領域為例，運用低碳技術、潔淨技術設備所產製電力，至2020年將達到降低45％--60％比例之排放量，到2050年，所有發電技術之溫室氣體排放量更將降低至可接近於0；而對於「工業部門」所設定目標，2050年達成降低80％之目標，對於「家庭及辦公建築」部份，設定2050年可降低90％之目標，而「運輸部門」則設定於2050年達成降低60％之目標。此外，歐盟執委會更指出投資「智慧電網（Smart Grid）」的重要性，將可促使「需求端（Demand-Side）」更具效率性，更廣泛且分散之電力調配中心，以及啟動運輸系統電力化之時代。 低碳經濟社會所帶來福祉，並可降低歐盟每年能源支出，及對於石化燃料進口依賴程度，也促成轉變改以低碳技術產製電力能源，作為可行的替代因應方案；以及，低碳經濟社會型塑推動，除了投入經費研發技術外，相關運用更須透過教育、訓練、推廣，廣泛使大眾接受且樂於使用新興技術，如此未來將可衍生種類與數量均會更多之就業機會，也有助益於經濟成長；此外，推動低碳經濟亦可改善生活品質及健康生活，未來實際效應可改善公共健康、減少醫療費用支出、及降低對生態環境消耗破壞，均屬良善效益。 然而，歐盟執委會這些推動措施，亦傳出有反對聲音。「歐洲商業（Business Europe）」團體就對外表示，他們反對「2050低碳經濟策略規劃」所設定的這些超高標準，他們認為相關推動措施，未來將會嚴重傷害歐盟境內企業發展，因為主要競爭者如中國、日本及美國，相較而言，均未設定這麼高的推動目標。未來歐盟執委會這些規劃藍圖是否落實達成，值得後續觀察。
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 ）」
因應人工智慧發展，日本更新人工知能基本計畫因應人工智慧發展，日本更新人工知能基本計畫 資訊工業策進會科技法律研究所 2026年08月17日 2026年7月，日本內閣府發布最新的AI基本計畫[1]（人工知能基本計畫，下稱AI基本計畫），旨在因應代理型AI（AI agent）之崛起，並建立AI之轉型藍圖。 壹、事件摘要 日本AI基本計畫最早係於2025年12月發布，為日本依據人工知能相關技術之研究開發及活用推進法[2]》（人工知能関連技術の研究開発及び活用の推進に関する法律，下稱日本AI法）第18條所定之國家級計畫。該條規定，日本政府應針對該法基本措施，制定促進AI相關技術研究、開發及運用之基本計畫，且該計畫應由日本內閣府之AI戰略總部負責[3]。AI基本計畫以信賴的AI以及日本再起為核心，旨在使日本成為世界上最容易利用及開發AI之國家。為能跟上AI技術發展以及部會間之協調，該計畫預計每年檢視計畫並調整[4]。 2026年6月，距離2025年版本發布僅半年，意識到AI之快速發展，尤其是能夠自訂計畫並實行、驗證及修正之代理型AI崛起，且於國際上各領域應用與管制，日本政府進而著手修訂AI基本計畫，並於7月通過公布。相較於前次基本計畫，2026年之計畫核心概念係從AI使用轉向AI開發，強調中小企業及區域之AI轉型（AIＡＩトランスフォーメーション, AX）。同時明確提出AI主權概念，透過技術及基礎建設之強化，提升生態系之自主性及國際談判能力。 貳、重點說明 2026年之基本計畫基本理念可分為代理型AI、AI轉型以及AI主權三大核心理念。 一、核心理念 （一）強化基礎建設以因應代理型AI 基本計畫中提及，代理型AI為能自主進行計畫、執行、驗證以及修正之AI系統，提升組織運作及決策之效率，而將代理型AI實際應用於社會中，將直接關係到國家的經濟、國防以及技術能力。故加強日本AI產業相關之基礎建設至關重要，包含能夠適應代理型AI之算力資源、電力、制度以及政策，以全面強化日本之AI實戰能力[5]。 （二）釐清日本優勢實施AI轉型 為解決日本少子化、高齡化及產業人手短缺之問題，基本計畫強調應積極推動AI轉型（AI Transformation, AX），利用AI解決社會結構性問題，並推動AI之應用。日本之AI轉型重點在於運用其既有之優勢，著重用於產業及行政現場之領域專用型「垂直AI」（バーティカルＡＩ），以及能於現實空間中創造價值之「實體AI」（フィジカルＡＩ）。透過垂直AI蒐集與整合各領域現場之高品質資料，結合實體AI之機器人與自動化設備，將以代理型AI為首之先進AI技術，深入整合進日本製造、服務及基礎設施等產業，解決日本之社會結構性問題，創造日本獨有之價值[6]。 （三）建立AI主權，推動敏捷治理及AI協作社會 2026之AI基本計畫提出了AI主權之概念，強化技術、供應鏈及基礎建設，提高日本於AI之自主性以及談判能力，避免過度依賴特定國家或企業，建立日本之AI生態系，防止供應鏈及資料外洩風險。在敏捷治理上，面對AI既有及代理型AI所帶來之新型態風險，日本政府將積極推動「負責任之敏捷治理」。除相關法規制度之推進，亦須提升組織管理應對能力，促進創新之同時並能確保各項權益之保障[7]。 二、具體政策措施 依據前述核心理念，AI基本計畫提出政府應採取之具體措施，建立推動社會AI轉型之體制，檢視跨部會之制度及運作。 （一）打造運用AI之社會[8] 推動AI於社會中之運用，包含中小企業、地方區域以及各年齡層之國民都能於日常生活中使用AI。為能強化產業競爭力，推動於醫療、福利、農業、社會建設等公共領域使用代理型AI，透過AI之使用解決特定領域內之社會問題（如地方區域人口減少、社會基礎設施維護費用增加等）。而為能有效推動全民AI，基本計畫強調應由政府開始做起，中央政府內部之AI「源內」（げんない）將擴大應用於地方政府，推動以AI重新建構行政服務之行政AI轉型。同時配合合規採購規範之調整，確保AI之信任及透明度。 （二）強化AI基礎建設及開發戰力[9] 因應代理型AI對算力、資料及供電穩定之高度要求，日本將「AI部署能力」定義為家基礎設施，進一步建立包含資料中心、雲端、算力等資源甚至物理空間之完整AI生態系，以落實可信任AI之政策。在戰略上，確立開放之AI主權，採取多模型調度機制，以避免過度依賴特定外國企業；同時活用日本國內具有優勢之算力供應鏈以及特定場域之現場資料，積極引進國內外優秀人才，提升訓練及開發能力。政府亦將運用經濟政策及研發/設備投資租稅優惠，吸引民間資金投入基礎建設，最終開發出能解決日本自身社會問題（如人口老化、人力短缺）之AI，並將其化為能解決世界問題之工具，以強化日本之戰略不可替代性。 （三）AI風險管理及人才培育 面對AI使用導致之風險以及代理型AI引入後產生之技術、社會及網路自律攻擊等更為複雜之風險，日本政府推動敏捷治理，整合制度檢討、技術評估以及組織管理，同時強化AI安全研究所（AISI）對包含代理型AI及高性能AI（如國家安全相關）之安全評估，推動如Project YATA-Shield等強化網路安全及評估之機制。日本政府亦積極推動國際合作，並與理念相近之全球南方合作，承襲「廣島AI進程」，主導國際規則之標準制定，成為全球可信賴AI之創新核心[10]。 在日本轉型及實務層面，將推動跨領域之AI轉型，透過產官學界共同培養適當之AI人才。此外，雖鼓勵AI之使用，AI基本計畫仍強調須以人類負有最終決策責任之「人類力」為核心，防止過度依賴AI之社會以及注意AI可能產生之偏見；尤其應關注青少年自身能力之養成及其身心健康，以建構安全並可信賴之AI社會[11]。 參、事件評析 從日本2026年之AI基本計畫可看出，面對AI技術之進展以及日本社會少子化、高齡化等社會結構性問題，日本政府透過釐清日本既有之產業及技術優勢，將AI定位為能解決社會問題之工具，同時透過基礎建設強化建構AI主權。在因應人口老年化方面，日本政府結合垂直AI與實體AI，將AI導入醫療照護、物流自動化、農業及公共行政等各領域，使AI作為社會基礎並實際運用，成為協助社會問題解決之工具。而就整體戰略布局而言，則是強調國家AI主權之建構，包含強化其國家內部算力、資料及供電之基礎建設，以提升日本之自主及談判能力，並防止對他國企業之依賴，建立日本之AI生態系。於風險治理方面則是透過敏捷治理、安全評估機制以及Project YATA-Shield[12]之實施，防範代理型AI所帶來之新興網路安全風險及自律攻擊；亦延續廣島AI進程之國際合作精神，強化與全球南方國家之連結，希冀能持續主導國際AI規則之制定，提升日本之國際競爭力以及戰略不可或缺性。 日本AI計畫之修正，透過社會轉型之核心概念，將技術創新、產業應用及國際規則主導結合，建構其本土AI主權及生態系，同時仍強調人類角色於AI應用之重要性。我國同樣面臨產業轉型以及人口高齡化之社會結構，或可考慮參考日本之政策轉型，強化我國於全球AI供應鏈之較有優勢之部分，搭配推動產業AI轉型，減緩勞動力不足挑戰。而在AI基本計畫擬定層面，我國行政院依據《人工智慧基本法》第6條成立人工智慧戰略特別委員會，並制定《國家人工智慧發展綱領》[13]，推動及協調全國性之AI事務。現行《國家人工智慧發展綱領》草案中，同樣重視AI主權及相關基礎建設；於產業推動面則是規畫優先將AI導入教育、醫療、金融及司法等公共與專業服務。在AI計畫之檢視及調整上，我國《人工智慧基本法》第6條要求須每年召開會議，並審議《國家人工智慧發展綱領》，與日本AI計畫每年檢視及調整之規劃相似，皆能藉此確保整體戰略與AI技術發展之一致性。惟《國家人工智慧發展綱領》現仍尚未正式公布，未來於執行上之具體發展仍有待後續觀察。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://keid.nat.gov.tw/tips/） [1]人工知能基本計画 ～日本ＡＸ、より強く、より豊かに～，令和８年７月14日，https://www8.cao.go.jp/cstp/ai/ai_plan/aiplan_20260714.pdf (最後瀏覽日: 2026/07/24)。 [2]人工知能関連技術の研究開発及び活用の推進に関する法律（令和７年法律第53号）。 [3]同前註，第18條。 [4]前註1，頁2。 [5]同前註1，頁2。 [6]同前註，頁3。 [7]同前註，頁4。 [8]同前註，頁7-8。 [9]同前註，頁10。 [10]同前註，頁14-15。 [11]同前註，頁18。 [12]為日本政府為因應AI導致之網路攻擊而設之應變方案。透過由國家安全局及國家網路指揮辦公室等政府機構之合作，加強因應AI技術之措施，https://japansecuritysummit.org/2026/05/14354/ (最後瀏覽日：2026/7/29)。 [13]，行政院網站，https://www.ey.gov.tw/Page/9277F759E41CCD91/e7954aaa-25ce-4b85-9747-f70d06da9ef5 (最後瀏覽日：2026/08/03)。
美國著作權局發布AI著作權報告第三部分：生成式AI訓練－AI訓練是否構成合理使用？美國著作權局發布AI著作權報告第三部分：生成式AI訓練－AI訓練是否構成合理使用？ 資訊工業策進會科技法律研究所 2025年06月04日 美國著作權局於2025年5月發布著作權與AI第三部分報告之預出版本 （Copyright and Artificial Intelligence Part 3: Generative AI Training pre-publication version）[1]，該報告重點為生成式AI訓練資料與著作權之關係，彙整各方意見並分析現行法制之挑戰及修改方向，目前發布之版本為預出版本，該報告說明將於近期發布最終確認版，預期其結論與實質內容並不會有修改。 壹、事件摘要 美國著作權局自2023年起即開始對AI所引發之著作權法律及政策問題進行研究，同年8月著作權局發布著作權及AI諮詢通知（Comments on Artificial Intelligence Notice of Inquiry, NOI），徵集各界對AI著作權議題之意見，著作權局亦針對相關議題舉辦多場公聽會及研討會協助意見之蒐集[2]。NOI發布後蒐集到之意見經著作權局整理分析，於2024年7月起發布AI著作權報告，第一部分為數位仿造，第二部分於2025年1月發布為就AI作品之著作可保護性之分析，而同年5月所發布之第三部分則聚焦於生成式AI之訓練。 生成式AI於訓練過程可能大量使用受著作權保護之作品，此份報告針對訓練過程可能涉及之著作權問題進行分析，主要說明AI模型訓練過程中使用受著作權保護作品是否可構成合理使用。 貳、重點說明 一、生成式AI模型訓練及模型權重對重製權之侵害 使用受著作權保護作品進行AI模型訓練涉及著作權中之重製，除非開發者能提出授權或其他合理抗辯如合理使用等，否則可能對一項或多項著作權利構成初步侵權（Prima Facie Infringement）。AI開發者於模型訓練階段會進行多次作品複製，包含下載作品、於儲存媒介間轉換、將作品進行格式化或製作副本等[3]，模型訓練過程中暫時複製之作品亦有可能因其存在於時間足夠而構成重製權之侵害[4]。 在特定情形下，模型權重（model weights）[5]之複製亦可能構成重製權之侵害。訓練過程可能使模型權重包含著作權作品，而若第三方複製了包含著作權作品之模型權重，即便其未參與模型之訓練，亦可能構成初步侵權[6]。若模型能在未經外部輸入之情形下產出與訓練範例相似之內容時，表示此範例必以某種形式存在於模型權重中，故此模型權重之複製極有可能侵犯著作重製權[7]。換言之，不僅開發者有可能因模型權重之複製侵害著作權人之權利，部署、使用等第三方若複製模型權重亦有可能構成對重製權之侵害。 著作權局指出，模型權重究竟是否會構成重製權或甚至衍生作品之侵權，須判斷該模型權重是否保留與作品受權利保護部分實質相似之內容，僅有在實質相似之情形下，模型權重之複製才可能構成侵權[8]。 二、合理使用 對著作權作品之合理使用可做為作品重製權的抗辯，著作權局於報告中就不同因素分析AI使用著作權作品進行訓練是否得主張合理使用。AI於訓練過程中會有多次複製行為，惟在判斷AI模型訓練是否為對作品之合理使用，仍須視整體使用情境進行判斷[9]。 (1) 作品轉化性須視模型目的及佈署判斷 報告中分析作品之轉化性（transformativeness）[10]，AI訓練使用作品是否具有轉化性並非絕對，而是依據模型最終之功能及佈署有程度上之區別，須依個案判斷。若模型之訓練目的為用於研究或封閉系統，則該模型具高轉化性；若其目的是生成與訓練用作品實質相似之結果時，不具轉化性。多數模型之轉化程度會落在前述兩極端之中間，如模型使用特定類型之作品進行訓練，用以生成使用目的與原作相同之內容時，即便其生成內容未有實質相似，頂多僅為有限度之轉化（modestly transformative）[11]。AI開發商得於其系統設置防護措施，限制模型複製受著作權保護作品之節錄內容，使生成內容之目的與原作品不同，此措施能使模型訓練更具轉化性[12]。 有論者認為，使用受著作權保護作品進行AI模型訓練並非出於表達目的，且近似人類學習，因此實質上應是具有轉化性的，著作權局否定了前述兩種說法。報告中說明，語言模型於訓練時所吸收的內容包含文句、段落及文件之排列選擇，並非單純僅吸收其單字含意，且所生成之模型是被用作創造表達性內容，故不得謂AI模型為非表達性目的[13]。其次，針對人類學習觀點，報告首先闡明，學生基於學習目的亦不得以合理使用為由複製整本著作，因此人類學習並不得直接作為合理使用之抗辯。生成式AI之訓練能迅速分析並生成完美之作品，此非如同人類經學習後會產出具個別人格特質之結果，故著作權局不同意AI模型之訓練為與人類學習相同具有轉化性之論點[14]。 (2) 受著作權保護作品之表達性 AI訓練所使用之受著作權保護作品若具較高創作或表達性，如小說、電影等，其著作權比其他作品如電腦編碼等功能性作品更接近著作權之保護核心。而AI模型訓練來源多元，因此判斷上仍須視個案模型及作品而定。 (3) 使用作品之合理比例 AI模型訓練需大量複製受著作權保護作品，於判斷其複製比例是否合理時，係判斷模型訓練所複製之部分對於受著作權保護作品之數量及重要性使否合理[15]。作品使用之合理性，須考量重要性以及數量，若模型僅使用小部分作品做訓練，但該部分為著作權作品之核心部分，此使用並不一定合理。 在使用完整作品層面，生成式AI較一般搜尋引擎更不具合理性，生成式AI所提供之資訊並非僅限於其訓練資料庫中所複製作品資料。然而，許多生成式AI之訓練方式必須使用完整作品進行訓練，因此，著作權局指出，雖開發者使用完整作品進行訓練與合理使用相悖，但若其訓練具有轉化性目的（transformative purpose），並且有必要透過大量作品之訓練以提升模型效能時，則使用整部作品進行訓練可能被認為合理[16]。換言之，使用完整作品進行訓練合理與否須連同其使用必要性及訓練目的一併考量。 (4) 影響原作品之潛在市場或價值 報告中點出三項生成式AI訓練可能造成的市場危害。 A 銷售損失（lose sale）：權利人因潛在消費者選擇AI複製創作取代原作，而失去收入。 B 市場稀釋 （market dilution）：AI生成內容之速度以及規模對訓練資料中同類作品之市場造成稀釋風險，原作者將更難銷售其作品亦將使消費者更難找到真人創作之作品[17]。AI所生成風格相似之作品亦會導致市場稀釋，風格非為著作權所保障之方為，惟若AI生成與作品風格相似之內容，即便未有實質相似，但消費者可能因此難以分辨AI創作與真人作者，將使AI作品與原作者之作品於市場上直接競爭而影響原市場[18]。 C 喪失授權收入機會 （lost licensing opportunities）：權利人本可就其作品於市場上有授權收入之機會，但因AI未經授權使用作品進行訓練而喪失該部分收入[19]。 三、 授權使用 對於AI自願授權之情形於近年越來越普遍，報告亦肯認自願授權之可行性，雖自願授權可行，且已有開發商開始實施，惟對於完全滿足AI產業之需求仍存有疑義[20]。該報告認為，即便現階段自願性授權仍為發展中之制度，但該制度確實能避免使用著作權作品之不確定性。著作權局認為應讓自願性授權制度於授權市場於無政府干預情形下繼續發展，若未來於特定類型作品中出現失靈情形時，再考慮進行擴大集體授權等干預措施[21]。 參、事件評析 AI訓練使用著作權保護作品是否可以合理使用作為抗辯為近年AI發展下著作權高度討論問題之一。目前美國各地法院中有40多件相關案件正在進行審理，然就此報告之結論觀之，其並未對AI訓練是否可作為合理使用給予統一解答，合理使用與否仍須視個案而定。如同報告結論所提及，AI訓練過程中，使用受著作權保護作品可能具有轉化性，但是否足以構成合理使用，仍須視其所使用之作品、來源以及目的等個案因素而定[22]。AI訓練於著作權仍存在一定程度之不確定性。 值得注意的是，雖報告並未明示AI訓練使否為合理使用著作權作品，惟其立場似乎更偏向有利於著作權利人。例如報告中於轉化性認定具有灰色地帶，開發商是否能主張合理使用仍需於後續由法院個案認定。此外，報告中提及市場稀釋理論，目前尚未有法院採用，對合理使用之認定較為嚴格，即使未有實質相似之生成內容亦有可能因影響市場競爭被視為非合理使用，可見該理論對著作權利人之權利保障。 同時著作權局亦正向看待產業界透過自願性授權進行作品訓練之方法，雖該制度於AI訓練上尚未為一完善制度，但確實地授權制度能同時促進產業發展並保護著作權[23]。目前實務上亦是以此種作法解決合理使用之困境，但授權制度仍有待市場持續發展完善制度以確保能符合AI訓練之需求。 美國著作權局之報告雖對AI使用著作權保護作品進行訓練進行分析及說明，惟其結論仍是認為判斷上需依照個案分析。目前國際上尚未有對AI合理使用之實際定論，自願性授權仍為產業界所使用之方法。我國著作權法亦未對AI訓練之合理使用有說明，國際上將會如何發展仍有待觀察。 資策會科法所創智中心致力於著作權相關科技法律研究，本中心將持續關注相關議題並更新動態。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 [1]U.S. Copyright Office Copyright and Artificial Intelligence, Part 3: Generative AI Training pre-publication version, https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf [2]U.S. Copyright Office, Copyright Office Issues Notice of Inquiry on Copyright and Artificial Intelligence, https://www.copyright.gov/newsnet/2023/1017.html (last viewed: 2025/05/19) [3]supra note 1, at 26. [4]Id. at 27. [5]AI模型之建立仰賴神經網，主要功能為將輸入資料轉換為輸出資料。神經網路之運作方式係透過大量於訓練過程中產生之參數進行運案，而該些參數即為「權重」(weights)。 [6]Id. at 28. [7]Id. [8]Id. at 30. [9]Id. at 36-37. [10]轉化性係指新作品加入新元素，具有與原作不同目的或性質，且以新表達、意義或訊息改造原作。並且新作品於市場上較不會取代原作。 [11]Id. at 46. [12]Id. [13]Id. at 47. [14]Id. at 48. [15]Id. at 54. [16]Id. at 60. [17]Id. at 65. [18]Id. at 65-66. [19]Id. at 66-67. [20]Id. at 85. [21]Id. at 106. [22]Id. at 107. [23]Id. 本文同步刊登於TIPS網站（https://www.tips.org.tw）