歐盟核准澳洲基因改造康乃馨之進口
歐盟最近核准一項由澳洲生技公司Florigene所研發的基因改造康乃馨之進口，核准有效時間為十年。Florigene為澳洲最早設立的生技公司之一，屬日本三多利集團（Suntory group）之一，Florigene的基因改造康乃馨係以”Florigene Moonlite”之名行銷，該公司利用基改技術改變康乃馨的顏色，以延長其瓶插的時間，該基因改造康乃馨中另含有抗雜草基因。
根據歐盟執委會核准內容，未來Florigene的基因改造康乃馨將可在歐盟27個會員國境內，以切花的形式銷售，但不得在歐盟境內栽種，並須依歐盟法令規定，明確標示為「本產品為基因改造生物」或「本產品為基因改造康乃馨」，標示內容同時必須指明「不得供人類或動物食用，且不得用以栽種」或在產品附隨文件中為前述之說明。
事實上歐盟並非首次核准通過基因改造康乃馨之進口，早在1998年開始展開實質的六年基因改造生物進口禁令前，歐盟所通過的最後兩件基因改造植物核准案，即是基因改造康乃馨。不過歐盟一向對基因改造生物持保守態度，因此在2004年實施更為嚴格的基因改造生物管理法制後，才又重新啟動基因改造生物之進口審查。
本文為「經濟部產業技術司科技專案成果」
經濟合作暨發展組織（下稱OECD）於2022年12月20日發布全球企業最低稅負制（即第二支柱，下稱最低稅負制）的「避風港與罰款免除規則」，再於2023年2月2日發布進階行政指引。系爭規則與指引旨在協助跨國企業降低法律遵循成本。 經蓋最低稅負制為防免跨國企業以稅捐規劃（如移轉訂價等方式）持續侵蝕稅基，透過實施補充稅（Top-up Tax）制度，並配合所得涵蓋與徵稅不足支出等原則，即向上或向下分配等方式，確保全球收入逾7.5億歐元的跨國企業及其所有經濟實體的個別有效稅率均不低於15％。 經上述補充稅制度看似簡單，惟其實施同時涉及各國相互合作與彼此補充稅間可能的零和遊戲，徵之各國境內稅捐制度調整、現有國際稅捐規則的淘換與新國際稅捐規則的建立等交互作用下，導致OECD與最低稅負制有關文件繁多，內容細項更不計可數，增添不確定性；另外，包含我國在內的許多國家均表示將於2024年起陸續實施全球企業最低稅負制，再增添急迫性。此不確定性與急迫性的雙重夾擊，致使受規範跨國企業法律遵循成本持續增加。 經準此，為避免最低稅負制不當限制跨國企業發展，甚至有害全球經濟，OECD提出避風港條款，使位於高稅負或低風險稅捐管轄區的跨國企業或其經濟實體得減免其補充稅或簡化其計算基礎等，提高補充稅制度確定性以協助降低跨國企業法律遵循成本。
世界衛生組織發布人工智慧於健康領域之監管考量因素文件，期能協助各國有效監管健康領域之人工智慧世界衛生組織（World Health Organization, WHO）於2023年10月19日發布「人工智慧於健康領域之監管考量因素」（Regulatory considerations on artificial intelligence for health）文件，旨在協助各國有效監管健康領域之人工智慧，發揮其潛力同時最大限度地降低風險。本文件以下列六個領域概述健康人工智慧之監管考量因素： （1）文件化與透明度（Documentation and transparency） 開發者應預先規範（pre-specifying）以及明確記錄人工智慧系統（以下簡稱AI系統）之預期醫療目的與開發過程，如AI系統所欲解決之問題，以及資料集之選擇與利用、參考標準、參數、指標、於各開發階段與原始計畫之偏離及更新等事項，並建議以基於風險之方法（Risk-based approach），根據重要性之比例決定文件化之程度、以及AI系統之開發與確效紀錄之保持。 （2）風險管理與AI系統開發生命週期方法（Risk management and AI systems development lifecycle approaches） 開發者應在AI系統生命之所有階段，考慮整體產品生命週期方法（total product lifecycle approach），包括上市前開發管理、上市後監督與變更管理。此外，須考慮採用風險管理方法（risk management approach）來解決與AI系統相關之風險，如網路安全威脅與漏洞（vulnerabilities）、擬合不足（underfitting）、演算法偏差等。 （3）預期用途、分析及臨床確效（Intended use, and analytical and clinical validation） 開發者應考慮提供AI系統預期用途之透明化紀錄，將用於建構AI系統之訓練資料集組成（training dataset composition）之詳細資訊（包括大小、設定與族群、輸入與輸出資料及人口組成等）提供給使用者。此外，可考慮透過一獨立資料集（independent dataset）之外部分析確效（external analytical validation），展示訓練與測試資料以外之效能，並考慮將風險作為臨床確效之分級要求。最後，於AI系統之上市後監督與市場監督階段，可考慮進行一段期間密集之部署後監督（post-deployment monitoring）。 （4）資料品質（Data quality） 開發者應確認可用資料（available data）之品質，是否已足以支援AI系統之開發，且開發者應對AI系統進行嚴格之預發布評估（pre-release evaluations），以確保其不會放大訓練資料、演算法或系統設計其他元素中之偏差與錯誤等問題，且利害關係人還應考慮減輕與健康照護資料有關之品質問題與風險，並繼續努力創建資料生態系統，以促進優質資料來源之共享。 （5）隱私與資料保護（Privacy and data protection） 開發者於AI系統之設計與部署過程中，應考慮隱私與資料保護問題，並留意不同法規之適用範圍及差異，且於開發過程之早期，開發者即應充分瞭解適用之資料保護法規與隱私法規，並應確保開發過程符合或超過相關法規要求。 （6）參與及協作（Engagement and collaboration） 開發者於制定人工智慧創新與部署路線圖之期間，需考慮開發可近用且具有充足資訊之平台，以於適合與適當情況下促進利害關係人間之參與及協作；為加速人工智慧領域實務作法之進化，透過參與及協作來簡化人工智慧監管之監督流程即有必要。