2007年9月25日專利判決：Sprint v. Vonage
Sprint，美國第三大電話公司，於2005年向Kanas聯邦法院提起Vonage侵害其七件有關通訊科技的專利。2007.9.25聯邦法院判決：有關Sprint 控告 Vonage通訊專利侵害案，本案陪審團認為，Vonage為?意侵害Sprint專利權，即本案法官若同意陪審團意見，將可判決三倍的賠償金額。而本案判決，網路電話公司—Vonage Holdings Co. 應賠償Sprint Nextel 6千9百50萬美元，及未來盈收百分之五之權利金。
Vorgae 以書面聲明將對聯邦法院此次判決提出上訴；並將變更產品設計以避免使用本案爭議技術。Vonage法務長說明“對於陪審團不認同’Vonage的技術與Sprint的技術是有差異的’甚感失望；而Vonage首要目標是提供給客戶高品質、高穩定的數位電話服務”。
Sprint發言人—Matt Sulivan 說明，Sprint擬向地方法院申請禁制令，禁止Vonage使用Sprint之專利技術。
本件判決為2007年第四大專利案件判決。
此判決為今年度第二個不利於Vonage的判決。今年三月Virginia法院認定Vonage之網路電話系統侵害Verizon三項專利。此判決判定之賠償金為5千8百萬美元及未來盈收百分之5.5之授權金。
分析師認為，VoIP已成為主流話題，Vonage以網路電話為主要業務的公司，未來將面對更多的問題及付出更多的金錢。
古心怡
組長 編譯整理
2007年09月25日電子報導，http://news.findlaw.com/ap/o/51/09-25-2007/53740007145ce081.html，最後瀏覽日：2007年09月28日
2007年09月25日電子報報導，http://www.msnbc.msn.com/id/20977433/，最後瀏覽日：2007年09月28日
2007年9月25日電子報報導，http://www.betanews.com/article/Vonage_Loses_Patent_Case_to_Sprint_Injunction
_May_Be_Next/1190759713，最後瀏覽日：2007年09月29日
.Pindent{text-indent: 2em;} .Noindent{margin-left: 2em;} .NoPindent{text-indent: 2em; margin-left: 2em;} .No2indent{margin-left: 3em;} .No2Pindent{text-indent: 2em; margin-left: 3em} .No3indent{margin-left: 4em;} .No3Pindent{text-indent: 2em; margin-left: 4em} 日本於2024年6月21日內閣決議更新「實現數位社會重點計畫」（デジタル社会の実現に向けた重点計画），作為日本最新數位與資料治理革新之上位政策，以達成實現Society5.0以及整合並協調各機關數位政策之目標，力求克服日本近年面臨人口減少、勞動力不足、產業競爭力下降、災害風險等之課題。 「實現數位社會重點計畫」自2021年發布第一版起，即以六項願景整合相關政策，分別為： 1. 數位化實現成長：數位轉型推動整體社會的生產力與競爭力； 2. 重要領域數位化：資料串連推動醫療、教育、防災、兒童等領域的安全發展； 3. 數位化實現區域振興：數位工具活化各區域特色； 4. 沒有人落後的數位社會：使所有人都可以體驗數位化服務； 5. 開發與保護數位人力：建立持續培養數位人力的社會； 6. 推動國際資料流通：實現資料可信任的跨國自由流通。 2024年「實現數位社會重點計畫」以六項願景分述各機關計劃推動的320個相關政策，如有醫院急救時共享醫療資訊、電子母子健康手冊、兒童資料串接、減少長者數位障礙、女性數位人才培育，以及推動資料可信任自由流通（Data Free Flow with Trust）等。 此外，本次更新之計畫新增「業務、系統、制度三位一體」作為推動架構。其中業務指結合資料與數位應用的行政服務；系統則是指適合於業務運作的軟、硬體；制度則指透過包含資料標準、指引或法令等方式形成之規範。日本藉此推動架構評估資料與數位之政策從起草、規劃到執行等階段中業務、系統與制度之間的協調性，為政策的制定者、使用者提供便利與高品質的數位體驗。 由2024年實現數位社會重點計畫的更新可知，日本強調在數位轉型階段中社會整體革新的企圖，加強政策在業務、系統、制度三個層面的一致性，以在邁向數位社會的同時克服社會轉型的挑戰。
英國寬頻競爭概況為了提高市場競爭，Ofcom於2006年時允許BT集團將旗下網路接取部門獨立為Openreach公司。當時，英國政府希望透過市話迴路細分化(local loop unbundling)，並讓所有寬頻網路提供者得以於無差別待遇取得銅絞線網路(copper phone network)批發價，減少不公平競爭產生。在BT分拆多年後，根據Ofcom今(2013)年的統計，原細分化出租之線路從過去的12萬3千條，提升至900萬條，較過去成長70倍。銅絞線批發價公開、合理，亦促使民眾享有比過往更低的資費與更多元的服務，使社會福利成長。 除此之外，市話迴路細分化不僅促進既有固網市場競爭，使消費者僅用一半的價格取得相同服務，亦間接加速業者投資意願，提高英國「高速寬頻」(superfast broadband，30M)的發展。目前，BT光纖建置速度每星期達10萬用戶可接取，輔以Ofcom2010年要求BT光纖基礎設施開放與虛擬細分化(virtual unbundling)，使英國已有80家以上業者透過光纖提供網路，增加民眾選擇的權力。是故，在高速網路接取率逐步提高下，致使英國在2012年年底時，已有13%的家戶採用高速寬頻，其成長幅度亦是過往兩倍。 雖然，英國高速網路發展逐步進入軌道，但亦仍有發展之隱憂。首先，有別於銅絞傳輸寬頻網路市場競爭，民眾在選擇高速寬頻網路商時，多數僅願意採用BT與Virgin，造成市場競爭失衡。此外，BT取得政府非商業區光纖建設之多數補助，這是否會造成不競爭，仍後續觀察。最後，BT雖允諾開放其於業者租用光纖線路，但已有多家ISP業者申訴BT利用「價格擠壓」的方式，增加市場優勢。 英國為了在2015年能成為全歐洲寬頻發展最為優秀的國家，近期已宣布將重新檢視現有固網接取市場的管制架構，藉由兼顧市場競爭與基礎建設加速投資，促使網路能普及於英國。
淺談美國建築能源科技法制政策發展近況 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