談美國GMO管理規範之修法趨勢－從「全有全無」到「多階分級」許可管理之制度轉換
本文為「經濟部產業技術司科技專案成果」
「蛋白質體學」是醫學研究的新領域，透過對「蛋白質變異」的研究來瞭解疾病的機制，現在已經可以成功診斷出許多疾病。不過，因為血液中跟疾病有關的「標記蛋白質」，含量往往很低；傳統「酵素免疫法」（ ELISA ）的檢測流程總得進行個大半天，往往造成時間的浪費。 中央研究院發表獨步全球的「磁性奈米粒子」質譜驗血技術，只要使用小學生使用的磁鐵，就可以迅速「大海撈針」，從血液中吸出和ＳＡＲＳ、癌症、中風等病症相關的標記蛋白質，可以在一小時內診斷病情。這項研究成果正在申請國內外專利，臨床實驗、認證後，民眾未來只要多花幾百塊錢，就能夠享受這項最新的奈米科技。不管胃癌、乳癌或大腸癌，只要 ELISA 能夠檢測的項目，這套技術都可以更有效率地完成。不過因為「質譜儀」價格昂貴，臨床運用又需相關認證，普及化可能還得再等一段時間。
美國國際消費電子展研討會討論有關打擊專利蟑螂議題 美國零售商Kroger聲稱零售商Lidl註冊之新商標有混淆Kroger的知名商標之虞Kroger成立於1883年，在美國擁有近3000家分店，為美國最大食品雜貨零售店，其註冊商標“Private Selection”相當知名，被廣泛使用在超市、便利商店及其他各種零售商店約20多年。然而在全球擁有超過10000家分店的歐洲零售店巨頭Lidl，亦於2016年9月19日於美國註冊與“Private Selection”近似的商標“Preferred Selection”。 對此，Kroger於Lidl在美國開立新門市不久之後，即於今（2017）年6月30日對Lidl起訴，主張Lidl的“Preferred Selection”與Kroger的“Private Selection”品牌商標太相似，Lidl於德國是以低價折扣作定位之連鎖超市，且產品曾被認定為劣質。Lidl的行為意圖混淆“Preferred Selection”與“Private Selection”，將稀釋Kroger的品牌知名度，不僅侵害商標亦將損及商譽，甚至從中牟取不當利益，導致不公平競爭。故Kroger據以向美國維吉尼亞州地方法院請求禁止Lidl販售使用“Preferred Selection”商標的產品。 Lidl反駁認為其商標註冊已有一段時間，Kroger卻故意選其展店亮相後才大肆攻擊Lidl的新品牌，嚴重干擾Lidl的宣傳效益，更何況兩者商標名稱不同，標誌圖形的設計也不同。今年7月25日，美國維吉尼亞州地方法院法官表示，儘管品牌標誌看起來相似，但兩者並無相同或相似的含意，拒絕授予Kroger聲請之禁令。惟兩造於今年9月達成協議，請求法院駁回訴訟，而Lidl最終於今年9月12日放棄“Preferred Selection”商標權。
日本發布《首席AI長指引》與《實務手冊》，強化資料來源可溯，引導企業將AI風險納入資料治理框架2026年3月1日，日本人工智慧（AI）安全研究所（Japan AI Safety Institute, J-AISI）發布《首席AI長指引 1.00版》（Chief AI Officer Guidebook (Version 1.00)，下稱指引）與《首席AI長設置與AI治理實施實務手冊 1.00版》（Practical Manual for Establishing a Chief AI Officer and Implementing AI Governance (Version 1.00)，下稱實務手冊）。兩份文件旨於促進AI時代下的永續企業經營（sustainable business operations），提升產品與服務品質、建立客戶與使用者的信任。 一、指引與實務手冊概覽 指引內容包含設立「首席AI長」（Chief AI Officer, CAIO）職位之目的、職責。實務手冊內容則進一步指出一種組織模式，其中首席AI長為獨立的高階主管，直接向執行長匯報，並在首席AI長下設立AI治理辦公室，以及建議設立一個「跨部門AI指導委員會（Company-wide AI Steering Committee）」，成員包括首席AI長、首席資料長、首席資訊長、首席技術官、首席資訊安全官、法律合規部門、資料保護官、人力資源部門以及關鍵業務部門。各業務部門與系統所有者應依照既有標準運作，並向人工智慧治理辦公室和資料治理組織提供必要資訊。 二、將AI特定風險納入資料治理框架：降低幻覺與偏見之具體作法 在AI系統的生命週期中，資料品質影響決定模型效能、可解釋應與透明度。 首席AI長的職責為整合AI、資料與技術策略，於確保企業信任與風險管理之基礎下，驅動企業創新與數位轉型，並最大程度提升企業價值。因此，首席AI長應與首席資料長、法務部門協調，規範資料的生命週期、設定品質指標（Quality Metrics），並嚴格核實第三方素材授權（licenses for third-party materials）。 以下介紹文件建議之AI資料生命週期（資料蒐集）之管理作法： （一）區分資料用途：針對每個使用案例與模型，區分（1）AI模型訓練用資料；（2）AI訓練完成後，用於驗證與評測模型產出品質的評估資料（evaluation data），此類資料不參與模型的優化調整，僅客觀確認模型的準確度；（3）於AI模型運行過程中，使用者輸入的資料（data entered during inference），包含提示詞、上傳的文件及系統日誌（Logs）。 （二）資料分類：企業應依資料機敏程度進行分類，如機密、個資、內部及公開資訊等分類，以便加以定義資料之蒐集方式、儲存方式、資料遮罩要求（masking requirement，包含去識別化），以及控管資料傳輸至外部AI服務之權限。 （三）落實可追溯性與透明度文件：應透過實務手冊18.3之資料表（Datasheets）進行標準化記錄，包含 1. 基本資訊，如資料及名稱與版本；資料所有者；資料建立日期、最後更新日期等。 2. 目的與使用範圍，如資料集的用於訓練、評估、優化等；資料使用範圍限內部，或可對外提供等。 3. 組成與範圍，如記錄資料筆數與特徵概況；目標期間、區域與族群，如年齡、產業；資料格式，如文字/影像/音訊等。 4. 資料來源與蒐集方法，包含資料來源（內部系統、客戶提供的資料、公開資料、供應商提供的資料等）；資料蒐集方法（日誌、調查、網路爬蟲等）；是否取得資料主體同意等。 5. 資料品質與預處理（preprocessing），包含：紀錄去識別化等資料轉換流程；規範資料標記之品質管理機制。 6. 代表性與偏見，如列出AI預期使用情境與目標客群的一致性；特定性別、年齡、地區是否存在代表性不足的偏差等。 7. 隱私與法源依據，如資料是否包含個人資料或敏感資訊；資料處理之法律依據，如資料主體同意、契約等；採取之隱私保護措施，如去識別化等。 8. 授權、權利與資料反覆使用之條件：使用條件，如授權條款、是否允許商業使用等。 9. 安全性與存取控制：儲存位置，如資料中心、雲端或本地以及是否加密；資料之存取權限，如控管檢視、編輯、匯出等權限。 10. 資料保存與銷毀：記錄訓練資料、評估資料、輸入資料等不同類型資料之儲存期限，並規定如儲存期限過後，需以不可回復之方式銷毀資料，或必要時，應匿名後歸檔等規定。 三、接軌國內實務：企業可參考EDGS規範健全AI風險管理需求 面對AI資料生命週期管理，建議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）》。EDGS同樣強調數位資料歷程管理，從資料生成、保護到維護的管理流程，有效強化資料的完整性。透過導入EDGS，企業不僅能提升內部創新、數位轉型，更能在面對AI糾紛時，提供歷程紀錄，從源頭端落實首席AI長所要求的循證治理目標。 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）