歐洲議會對再生能源利用達成協議
為重新對各類再生能源與用於大眾運輸工具之生質燃料使用量確立具約束力之目標，歐洲議會下之工業及能源委員會於2008(今)年9月11日決定批准一項跨黨派協議案。
今年年初，歐盟執委會曾遞交一項促進歐盟境內對再生能源使用量之建議案，亦即設定至2020年時，歐盟境內再生能源使用量應達總能源使用量之20%；同時，該建議案也包含了一項關於生質燃料使用量亦應達到10%之目標。不過，在考慮關於不斷上揚之糧食價格、生物多樣性之消失及廣受質疑之CO2減量價值等因素後，也導致許多團體要求降低執委會最初設定之目標。而經過數月詳細地分析2千多份修正案報告後，執委會再生能源建議案報告起草人Turmes，在今年9月中旬宣佈，該項建議案目前現已獲得跨黨派支持。
於Turmes報告中，其建議應對生質燃料之使用訂立階段性目標：即(1)至2015年時應達到5%；及(2)至2020年時則應增加至10%；同時，其還特定，就未來達成生質燃油使用比例目標而言，至少有40%應要透過利用「非以糧食或飼料競爭性」為原料之第二代生質燃料，或使用綠色電能與氫能源環保車而來；至於其他種類生質燃油之利用，則應須在符合嚴格之環境永續性標準下，方能一併被納入計算。而為支持年初所提之建議案，德國、英國及波蘭等國也在6月份提出一項新的彈性機制：即在會員國間可透過合作型計畫來達成各自之目標。此外，對至2020年未達目標之會員國，歐洲議會成員將另批准一套「財務性懲罰原則」來處理之；同時，就懲罰所取得之款項，也將成立一項獎勵專款來激勵超過目標之國家。
不過，綠色組織團體卻認為利用生質燃料因具後述缺點如：(1)成本昂貴、(2)對氣候保護方面並無任何助益、及(3)利用不符永續性標準之生質燃油也僅是增加生物多樣性流失與糧食價格而已，故而對於議會批准該協議案感到失望。
本文為「經濟部產業技術司科技專案成果」
英國內閣辦公室於2008年7月7日公佈食品政策報告，內容為檢討衝擊該國食物供應之重大因素，並指出非基因改造動物飼料之取得已有困難，是以食品標準局(Food Standards Agency)預定與環保部門(Department for Environment, Food and Rural Affairs，Defra)合作，重新檢視基因改造產品之標示與銷售法規。 關於基因改造產品或食品添加物之標示，英國係遵循歐盟於2004年4月18日起適用之第1829/2003規則(Regulation (EC) No. 1829/2003)，惟僅利用含有基因改造成分飼料所餵養之家禽與家畜，由於該等動物本身的基因並未受到改造，其所產出之肉類、奶類或蛋類，不需依前述規範標示為基因改造產品。一般而言，以供應大眾食用為目的之基因改造產品或添加物，皆負有強制標示之義務，如產品中出現偶發性或無可避免之基因改造成分時，其比例須低於0.9%方不適用該規定。 英國民眾對於基因改良產品的接受度不高，超市亦多嚴格要求畜牧業者使用非基因改造飼料；基於環境因素考量，歐盟對於進口產品如含有未經核准之基因改造成份，亦採取零忍受度的政策，是以目前歐盟僅允准一種基因改造穀物於市面上販售。 然而，隨著物價持續攀高，畜牧業者不堪負荷下選擇節省成本，反而可能導致諸多基因改造產品在標示不清或根本未為標示的情形下進口至英國。為此，英國政府將持續遊說歐盟修改現有相關制度，並加速核准基因改造飼料進入歐洲市場。
日本發布《資料品質管理指引》，強調歷程存證與溯源，建構可信任AI透明度2025年12月，日本人工智慧安全研究所（AI Safety Institute，下稱AISI）與日本獨立行政法人情報處理推進機構（Information-technology Promotion Agency Japan，下稱IPA）共同發布《資料品質管理指引》（Data Quality Management Guidebook）。此指引旨於協助組織落實資料品質管理，以最大化資料與AI的價值。指引指出AI加劇了「垃圾進，垃圾出（Garbage in, Garbage out）」的難題，資料品質將直接影響AI的產出。因此，為確保AI服務的準確性、可靠性與安全性，《資料品質管理指引》將AI所涉及的資料，以資料生命週期分為8個階段，並特別強調透過資料溯源，方能建立透明且可檢核的資料軌跡。 1.資料規劃階段：組織高層應界定資料蒐集與利用之目的，並具體說明組織之AI資料生命週期之各階段管理機制。 2.資料獲取階段：此步驟涉及生成、蒐集及從外部系統或實體取得資料，應優先從可靠的來源獲取AI模型的訓練資料，並明確記錄後設資料（Metadata）。後設資料指紀錄原始資料及資料歷程之相關資訊，包含資料的創建、轉檔（transformation）、傳輸及使用情況。因此，需要記錄資料的創建者、修改者或使用者，以及前述操作情況發生的時間點與操作方式。透過強化來源透明度，確保訓練資料進入AI系統時，即具備可驗證的信任基礎。 3.資料準備階段：重點在於AI標註（Labeling）品質管理，標註若不一致，將影響AI模型的準確性。此階段需執行資料清理，即刪除重複的資料、修正錯誤的資料內容，並持續補充後設資料。此外，可添加浮水印（Watermarking）以確保資料真實性與保護智慧財產權。 4.資料處理階段（Data Processing）：建立即時監控及異常通報機制，以解決先前階段未發現的資料不一致、錯漏等資料品質問題。 5.AI系統建置與運作階段：導入RAG（檢索增強生成）技術，檢索更多具參考性的資料來源，以提升AI系統之可靠性，並應從AI的訓練資料中排除可能涉及個人資料或機密資訊外洩的內容。 6. AI產出之評估階段（Evaluation of Output）：為確保產出內容準確，建議使用政府公開資料等具權威性資料來源（Authoritative Source of Truth, ASOT）作為評估資料集，搭配時間戳記用以查核參考資料的時效性（Currentness），避免AI採用過時的資料。 7.AI產出結果之交付階段（Deliver the Result）：向使用者提供機器可讀的格式與後設資料，以便使用者透過後設資料檢查AI產出結果之來源依據，增進透明度與使用者信任。 8.停止使用階段（Decommissioning）：當資料過時，應明確標示停止使用，若採取刪除，應留存刪除紀錄，確保留存完整的資料生命週期紀錄。 日本《資料品質管理指引》強調，完整的資料生命週期管理、強化溯源為AI安全與創新的基礎，有助組織確認內容準確性、決策歷程透明，方能最大化AI所帶來的價值。而我國企業可參考資策會科法所創意智財中心發布之《重要數位資料治理暨管理制度規範（EDGS）》，同樣強調從源頭開始保護資料，歷程存證與溯源為關鍵，有助於組織把控資料品質、放大AI價值。 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://www.tips.org.tw）