奈米產業民間導引規範先行－以美國推動奈米保險機制及自願性計畫法制為例
本文為「經濟部產業技術司科技專案成果」
李科逸
副主任 編譯整理
歐盟執委會在2015年12月9日提出歐盟朝向現代化著作權架構行動計畫(Towards a modern, more European copyright framework)，目的為落實歐盟數位單一市場策略(Digital Single Market Strategy)，對於創意產業能夠激勵投資，並且打造公平的競爭環境。行動計畫分為四項重點: 一、放寬歐盟地區內容取得服務: 歐盟已針對線上服務內容如影音、遊戲等，提出草案，未來將允許線上服務內容可以跨境取得，不受地區性之限制，範圍僅限於歐盟會員國地區。歐盟亦將利用創意歐洲計畫持續鼓勵創意產業發展，增加更多使用服務之民眾。 二、放寬著作權相關免責規範之適用: 未來歐盟將修正規範，使研究人員就資料內容之取得與利用更為便利。此外，教育為另外一項重點，例如應訂有明確使用線上內容做為教學之規範。在身障者保護部分，則亦應設立規範。 三、創造公平市場: 歐盟將評估線上作品之使用與分享是否為公平授權，且未來將首先針對新聞服務業者進行檢討，對於使用者在網路上單純分享作品連結者，將視為合理使用。另外，針對作者與表演者報酬部分，歐盟未來將有一致性之政策規範標準。 四、打擊盜版: 歐盟認為，新政策的執行將使著作物能經過合理管道使用，因此可抑制盜版行為。而在2016年預計進行之“follow the money”計畫，預計與使用者及權利人相互配合，阻斷盜版所產生之資金流動。 未來，歐盟預計於六個月內將此架構願景轉換為草案或政策推動方針，其中在允許線上服務內容可以跨境取得之草案規範部分，歐盟執委會則希望於2017年能正式生效施行。
英國政府將設立網路兒童保護中心英國內閣辦公室指出，英國政府將設立網路兒童保護中心以協助警方與孩童保護機構，該中心主要偵查目標為利用網際網路散佈違法之兒童影像或「打扮」兒童的戀童癖人士。其宗旨在減少利用網路協助虐童的行為，而對孩童、家庭與社會產生傷害的情況。 該中心未來將隸屬於 2006 年 4 月 1 日成立之「嚴重組織犯罪局」（ Serious Organized Agency = SOCA ）管轄，並於該局成立之同時開始運作，由專責的警察人員協同孩童保護，並由網路工業專家負責業務之執行。
澳洲政府發布國家區塊鏈路線圖，建立澳洲區塊鏈技術發展策略與目標澳洲產業創新科技部（Department of Industry, Innovation and Science）於2020年2月7日發布「國家區塊鏈路線圖：向區塊鏈賦能之未來前進（National Blockchain Roadmap: Progressing towards a blockchain-empowered future）」政策文件。此路線圖為澳洲政府為彰顯其對區塊鏈技術之重視，並認知到區塊鏈與其他科技結合後將可進一步增進工作機會、促進經濟成長、減少商業成本與提升整體生產力，因此提出之區塊鏈發展方向規劃。 本路線圖文件指出，為實現區塊鏈技術，澳洲政府將於三個關鍵領域建立相關策略：一、建立有效且合理的規範與標準；二、建立可驅動創新之技術與能力；以及三、促進國際投資與合作。 路線圖文件並針對2020至2025年之區塊鏈發展進行規劃，相關措施包含： 重新命名國家區塊鏈諮詢委員會為國家區塊鏈路線圖推動委員會，並使其具有監督路線圖推動之職權。 建立由產業、研究團隊以及政府合作之團隊，以分析未來可能之應用案例。 對目前使用案例進行經濟分析與研究可能措施選項。 建立與連結政府端區塊鏈使用者，以促進學習交流與進一步應用。 進行國際研究以辨識出其他國家中適合學習做為政府服務之實際案例。 與區塊鏈服務提供商密切合作進行商業創新研究，以提出可供實際案例運用之解決方案。 確保區塊鏈發展涵蓋於整體國家策略中以促進數位科技能力管理。 使產業與教育機構合作發展關於區塊鏈資格技能之共同框架與課程內容。 為澳洲區塊鏈新創公司提出能力發展協助計畫，使其可向全球擴張並與支持合格企業。 引導外資投資以促進澳洲區塊鏈生態系建立。 引導既有雙邊協議進行區塊鏈前端計畫之合作與發展。 增加政府部門合作以確保澳洲企業可與發展中之新興數位貿易基礎設施進行連結等。 澳洲政府期待透過推動本路線圖與結合先前提出之AI路線圖政策，達成於2030年前成為數位經濟國家之目標。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。