智慧局：台灣將立法保護藥品資料專屬權
美國貿易代表署近日公布特別 301不定期檢討報告，將台灣降級改列一般觀察名單。經濟部智慧財產局表示，對於美方仍有疑慮的藥品資料專屬權問題，衛生署已提出相關立法草案，台灣也將持續與美國合作，加強查緝網路侵權。
台灣連續3年名列美國特別301優先觀察名單，這幾年政府修法、加強取締盜版等努力，終於獲得美方肯定，將台灣降級改列一般觀察名單。 智慧局表示，美國對台灣取締侵權行為的執行面表示肯定，期待台灣繼續健全智慧財產權保護的相關法令，台美雙方也將持續合作加強查緝網路侵權行為。這次台灣未能直接從特別 301名單除名，與藥品資料專屬權保護有關。 智慧局表示，台美雙方對於世界貿易組織（WTO） 與貿易有關智慧財產權協定（TRIPS）的解讀略有不同 ，美方認為新藥上市前送審的檢驗資料應列入智慧財產權保護範圍，但 TRIPS並未明定保護年限。行政院衛生署去年已同意立法予以保護，但草案尚未完成立法，美方也多次表達關切。 智慧局表示，台灣保護智慧財產權的努力，不會因為美國特別 301名單公布與否而稍有鬆懈，相關工作都 會持續進行。智慧局相信只要相關立法進度順利，加上政府與全民持續努力保護智慧財產權，台灣應可在美國4月份定期檢討時完全由特別301名單中除名。
本文為「經濟部產業技術司科技專案成果」
陳怡玫
副主任兼規章法制組組長 編譯整理
由於日本近年研發品質、數量停滯不前，加上企業研發效率亦落後於外國，經濟產業省（簡稱經產省）於2024年6月21日從三個面向提出政策建議，期能打造成功創新模式。重點如下： 1.發揮新創企業與大企業優勢，促進研發投資 由於研發投資具有回收期間長、獲利不確定等特徵，短時內難以看到成效，故為鼓勵企業持續投入研發，經產省擬制定研發投資效率評價指標，並將透過「新創培育五年計畫」（「スタートアップ育成5カ年計画）下之「新創推動框架」（スタートアップ推進枠），將科研預算優先分配予重點項目，以建立友善研發環境。 2.透過新創資源流動，促進商業化和創造附加價值 新創企業初期往往受限於人力、技術和設備等資源不足問題，難以快速成長及擴張。為解決上述問題，經產省擬制定「跨領域學習」指引及案例集，期能促進新創資源流動，打造創新生態系統。 3.以需求為導向之前瞻技術研發 部份具有高度發展潛力之前瞻技術，如量子和核融合等，因研發風險較高且市場需求不明，將由新能源‧產業技術綜合開發機構（新エネルギー・産業技術総合開発機構）、產業技術綜合研究所（產業技術綜合研究所）等法人進行研發。
日韓電子商務法制環境與發展之比較 我國專利法修正中設計專利與設計產業現況之調和 強化AI安全防線：八國連署AI與機器學習供應鏈風險管理指南日本國家網路安全辦公室（国家サイバー統括室）於2026年3月5日，代表日本連署了「AI、機器學習供應鏈風險與緩和措施」（Artificial intelligence and machine learning Supply chain risks and mitigations）之國際文書（下稱本文書），並公布本文書內容。本文書是由隸屬於澳洲訊號局（Australian Signals Directorate，簡稱ASD）之澳洲網路安全中心（Australian Cyber Security Centre，簡稱ACSC）主導訂定，主要針對有導入或開發 AI、機器學習系統與元件等需求的組織，揭示其可能存在供應鏈風險與提升整體網路安全之重要性，並就AI開發或採購階段，組織應留意相關風險與可採行之緩和措施。有關連署國家，除了日本與澳洲以外，也包括加拿大、紐西蘭、韓國、新加坡、英國與美國等共八個國家皆已完成連署。 本文書內容強調組織於管理 AI、機器學習等風險時，應將 AI 供應鏈視為整體網路安全戰略的一環，同時評估產品或服務之整體生命週期風險，不應著重於單一技術，而是組織需要掌握整體供應鏈的全貌，包括特定關係事業者、活用AIBOM（AI物料清單，主要用來記錄AI模型相關資產與資訊，提供快速定位與管控AI問題模型功能）或SBOM（軟體物料清單，主要記錄軟體相依元件，用於漏洞管理與供應鏈透明度）、意識到是否已針對AI、機器學習系統可能帶來的風險，進行漏洞管理，以及針對AI、機器學習系統所導致之網路安全事件建立應處機制等。 本文書將AI、機器學習供應鏈風險大致區分為五類：AI 數據、機器學習模型、AI 軟體、AI 基礎設施（含硬體），以及第三方服務，本文書指出AI、機器學習應用於供應鏈時可能產生之風險，其中包括數據品質不良、資料受竄改、模型遭植入惡意程式碼、軟體元件複雜導致難以保證其安全、硬體與韌體擴大攻擊面，以及導入第三方服務致使供應鏈產生弱點等。 此外，本文書也針對各類風險提出可行的因應方法，例如： 1.數據面：需做標準化搜集、外部資料檢疫、資料前處理與完整性驗證。 2.模型面：需從可信來源取得透明模型，實施性能驗證與惡意程式偵測。 3.軟體面：需做完整性驗證、元件審核，並透過 SBOM 掌握已知弱點。 4.硬體面：需確認設備無惡意內容，並在網路中適當分區。 5.第三方服務面：需持續評估與監控供應商的資安實務與脆弱性管理。 總結來說，日本已意識到國家網路安全治理下，針對AI、機器學習的安全，不單是模型安全，而是涉及整體性供應鏈安全。日本藉由與他國連署國際文書，不僅強化國際合作，同時建立供應鏈網路安全共識，因應AI對於國家供應鏈之網路安全挑戰，從資料、模型、軟體、硬體到第三方服務等視角提出具體因應方法，作為全面提升國家整體網路安全環境之參考指引。日本透過強化與他國合作，提升國家網路安全治理之作法，值得我國未來借鏡參考。