iTunes販售的音樂將移除數位權利管理措施
大多數於iTunes(蘋果電腦販售數位音樂的商店)販售的數位音樂，將被移除音樂上的數位權利管理措施(DRM)。iPod的製造者在2009年1月6日發表聲明，將於iTunes販售多元化價格的音樂，價錢將介於美金$0.76和1.3元之間。著作保護軟體(copy-protection sofeware)同時也稱為DRM「數位權利管理措施」(digital right management)，此項措施就像一個標籤記號，其設計是為了預防人們非法下載音樂，並且同時避免他們複製音樂於其他的電子裝置，而導致降低銷售量。
iTunes將移除八百萬首歌曲的數位權利管理措施。蘋果電腦的執行長Steve Jobs早在2007年2月公開呼籲知名唱片公司放棄數位權利管理措施，但唱片公司藉此希望iTutes改變以一首歌曲固定價格美金$0.99元的規定，用以多元化的價格販賣歌曲作為交換的條件。 另外，iTunes提供消費者一個簡單的方式，只要在每首音樂多付美金$0.3元，或者是多付每張專輯價錢30%的金額，即可將原先買到的音樂換為移除數位權利管理措施的音樂。Steve Jobs說到，我們十分興奮可以在iTune提供消費者沒有數位權利管理措施的音樂，使用iPhone 3G的消費者能夠在任何地區、任何時候以同樣的價錢去下載音樂。iPod Touch Wifi的使用者同樣也可以在App Store(蘋果電腦官方線上商店)去買到同樣無數位權利管理措施的歌曲 。
陳依婷
法務專員 編譯整理
http://www.theglobeandmail.com/servlet/story/RTGAM.20090106.wgtappledrm0106，最後瀏覽日：2009年01月14日
日本岸田文雄總理於2022年7月成立「GX（グリーントランスフォーメーション，綠色轉型）實行會議」（GX実行会議），並於同年12月第5次召開「GX實行會議」，初擬《實現GX基本方針》草案，預計於國會提出相關法案，其內容主要有四個面向，本文摘述如下： 一、以能源穩定供應為前提 由於受到烏俄戰爭影響，導致能源短缺，為因應此一現況，日本將透過轉換製造業之原料及燃料，推動節能、並以再生能源作為主要電力來源。鑒於核電具有穩定輸出之特徵，將強化活用核電新措施，特別是將針對核電運轉年限部分進行修正。同時導入氫、氨之元素，用於發電、運輸、產業等領域，以提高自給率及應對可再生能源的輸出變動，有助於穩定供給。 二、成長型碳定價構想之執行 為了達成國際公約和強化日本產業競爭力，將採取以下措施： 1.為了綠色轉型，將於2023年發行規模約20兆日圓之GX經濟移行債（GX経済移行債，暫稱），作為前期GX投資之資金來源，將募集之資金優先投資於具備產業競爭力或經濟成長潛力、能削減排放量之企業為對象。 2.預計於2023年分階段試行碳排放交易，主要是由企業自行參與，根據排放量與發電效率，免費發放排放配額，再逐年減少配額。並於2028年導入賦課金制度（碳稅），針對化石燃料進口業者，先課以較低的稅，再逐漸增加。 三、拓展國際戰略 由於各國紛紛推出碳中和政策，日本有必要為世界的脫碳做出貢獻，故針對全球面向，將確立環保產品的國際評估標準方法，以及評估企業溫室氣體排放量之削减，建構相關減排制度。而針對亞洲部分，日本作為技術開發的領導者，則提供東南亞相關能源投資，活用國際協力銀行（JBIC）和日本出口和投資保險組織（NEXI）等進行公共的金融支援。 四、全體社會邁向GX 為協助化石燃料相關產業轉型成低碳產業，並確保在轉型過程中勞動力移動，將推動公正轉型，以保障國民生活，並針對中小企業一起推行GX，提供相關諮詢及排放量計算之節能診斷等措施，協助中小企業進行脫碳。
日本文部科學省發布2021年科學技術與創新白皮書，著眼於韌性社會願景與疫後對策的具體措施日本文部科學省於2021年6月8日公布「2021年科學技術與創新白皮書」（令和3年版科学技術・イノベーション白書），為文部省就政府所訂立之科技政策藍圖，所發布的年度報告書。本年度白皮書循往例，區分為第一部分與第二部分。第一部分著重同年3月發布之第6期科學技術與創新基本計畫（第６期科学技術・イノベーション基本計画）框架下，為達成Society 5.0之願景政府所規劃的一系列政策；第二部分則回顧去（2020）年，政府針對科技與創新創造所採取的各項對策。 本白皮書就韌性社會所需科研項目、強化研究能量的激勵措施等層面，提出以下具體方向： （1）推動社會數位化與零碳排放（脱炭素化） 為強化網路虛擬空間與現實社會間的資源共享與互動發展，虛擬空間之基礎技術方面，持續研發超級電腦、AI與量子電腦，利用所累積的資料運用於深度分析與模擬，並實現超高速計算與量子通訊。虛擬空間與現實社會結合之應用型技術研發方面，包含能輔助身體運作的外部機械、透過自駕車系統銜接高齡化社會交通需求、以及遠端遙控之機器人技術應用於高風險作業環境。推動零碳排放、強化防災能量等面向，則藉由綠色成長戰略、綠色創新基金等政策，發展核融合、次世代蓄電池、精準預測氣候變遷之系統等新興技術；運用AI模擬等強化地震與天災的預報精準度，提升社會應對大規模自然災害的韌性。 （2）「知識」的整合創造與利用，以用於解決各類社會議題 考量社會議題的解決，不僅在於前瞻性自然科學技術的研發，尚需同步理解人類社會的多樣性。同時，人文社會科學近年來，亦多有採用自然科學的研究方法。因之，白皮書主張兩方的跨域知識結合，應用上強調須以人為本來解決各類社會議題。 （3）強化基礎研究能量 應著手改善出於個人經濟因素，放棄申請博士後課程的現況，創造年輕研究者敢於投入自身有興趣且具挑戰性研究課題之環境。基此，白皮書提出設置10兆日圓規模的大學基金，提升約15,000名博士後課程學生的待遇，並推動「創造發展性研究支援事業」（創発的研究支援事業）措施，穩定提供10年期間的研究資金。 （4）COVID-19疫情對策 持續投入研發治療方法（如檢驗抗病毒藥物Favipiravir用於治療COVID-19的效果與安全性）、疫苗與相關醫療器材，並推動以遠距方式進行研究活動，導入機器人技術等來發展自動化實驗、於虛擬空間內進行實驗等；另一方面，有效的防疫對策（如避免人潮密集、密切接觸、密閉空間的「三密」），根基於COVID-19的最新科研成果，因此需讓科學性、客觀性資訊透過適切的管道（如日本科學未來館網站），以淺顯易懂的形式向大眾宣達。
英國金融主管機關針對銀行資訊安全問題處以重罰英國金融監理機關，針對RBS集團旗下之三間銀行2012年所發生的資訊安全問題，共處以五千六百萬英鎊的罰款。 RBS、NayWest以及Ulstet的客戶於2012年6月，因為銀行執行的軟體更新發生技術上問題，在使用服務（包含線上服務）時，遇到存款結餘及付款執行的正確性問題。 針對此項資訊上的問題，英國金融行為監管局（FAC）處以四千二百萬英鎊的罰款；另一機關，英國審慎管理局（PRA）亦罕見地再以違反「金融機構應以適當風險管理系統以及合理之注意義務，有效管控其服務」規定之理由，另對該銀行處以一千四百萬的罰款。這是首次2個主管機關對於銀行未能有效辨識及管理其已暴露之資訊風險共同處罰之案例。 PRA指出，資訊風險管理系統適當的發揮功能以及控制，是一個公司健全不可或缺的部份，同時對於英國金融體系的穩定也特別重要。 FCA亦試圖開始評估銀行對於他們所曝光的資訊風險的管理程度，以及銀行的管理階層如何去掌握自己銀行，因為技術錯誤所造成的影響程度。 RBS聲明公司已經在主營運系統外建置了鏡像系統，可以繼續處理「主要客戶服務」的顧客交易；同時也可以修復主營運系統。
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。