因應京都議定書生效壓力 工廠溫室氣體減量 將訂規範
全國能源會議於
工業部門溫室氣體排放量占全國排放總量五五％，但占全國 GDP 比例逐漸減少，工業局計畫在全國能源會議中，提出多項溫室氣體減量措施。
為建立產業減量機制，工業局規劃出短、中、長期三階段減量計畫外，並提出攸關溫室氣體查核機制的能源效率計算模式，藉由會議尋求共識後，逐步落實。
據瞭解，能源效率計算機制因各國規劃採取的措施不同而所有差異，有國家採用每人耗能量為計算基準，也有以生產產品所需耗能量計算，或是每創造單位國內生產毛額所需耗用的能源計算（即能源密集度）。
工業局認為，以能源密集度做為我國工業查核指標，可顯示能源消費與該產業的邊際效應變化趨勢，有助於落實工業部門減量策略的執行，因此建議我國未來在產業溫室氣體排放查核機制上，以能源密集度為查核指標。
至於，在溫室氣體減量機制上，工業局規劃我國自二○○七年時推動既設工廠實施溫室氣體減量措施，並至二○一五年時達到溫室氣體排放密集度降低一○％的目標，而其減量的基準年為二千年；在新設廠方面，則以全球一○％標竿能源效率製程的排放密集度擬訂排放標準加以審議。
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
日本總務省未來網路基礎設施研究會（将来のネットワークインフラに関する研究会）4月份針對日本人工智慧（Artificial Intelligence 簡稱AI）、物聯網（Internet of Things 簡稱IoT）、資訊及通訊技術（Information and Communication Technologies 簡稱ICT）等技術相對應之網路基礎設施做作出預測。 在2020年以後第五代通信技術（5G）、物聯網系統、高畫質通訊等技術相繼成熟及普及化，相關業者勢必發展出多樣化、高度專業化使用者需求之網路結構，而手機聯網系統從單純的資訊傳遞網路，逐漸變成社會系統之神經網絡（社会システムの神経網）。 物聯網服務目前係由專用終端設備，並根據特定的應用目的建構，但在未來的網絡基礎設施，可能出現如橫向合作應用的通用平台，到2030年左右物聯網服務中M2M（Machine to Machine，機器和機器之間的通訊）的佔有率估計將達到10％。 人工智慧網路技術不僅僅是虛擬化層網路（仮想化レイヤのネットワーク）之維護和操作，更是物理層面的網路（物理レイヤのネットワーク）資源的管理，AI仍然只擔任協助之工具。其中，物理網絡（物理ネットワーク）和邏輯網絡（論理ネットワーク）應分別處理，邏輯網絡將型成多層次化，將變得難以檢測故障和調查原因，但在安全和可靠的網絡基礎設施下，經營者使用AI技術仍然是沒有問題的。 由於雲端技術、通訊技術之提昇，非電信營運者進入網路經營之商業型態逐漸產生，型成網路使用者、資料提供者之多樣性及複雜性。網路流量方面，在2030年左右將超出100Tbps核心網絡所需的傳輸容量，達到以往的光纖的容量限制，將透過無線電接入技術進一步發展，補足不足的光學寬頻。然而，人們對於網路更快的通信速度、安全性及可靠性的功能需求是沒有改變的。
法國CNIL重罰微軟因搜尋引擎Bing違法運用cookie法國國家資訊自由委員會（Commission Nationale de l'Informatique et des Libertés, CNIL）基於cookie聲明（cookie banner）違反法國資料保護法（Act N°78-17 of 6 January 1978 on Information Technology, Data Files and Individual Liberties）裁罰微軟愛爾蘭分公司（Microsoft Ireland Operations LTD，下稱微軟）搜尋引擎Bing，並根據cookie蒐集資料間接產生的廣告收入、資料主題數量及處理的資料範圍定出6千萬歐元之罰鍰額度，且要求微軟應於3個月內限期改正，如逾期按日處以6萬歐元罰鍰。本案是繼2022年1月6日以來，CNIL以相同理由分別對Google與Facebook裁罰1.5億及6千萬歐元罰鍰後，再增1件科技巨頭因違法運用cookie遭受裁罰之案例。本案對我國隱私執法機關參酌於數位環境中，應就cookie聲明如何進行管理之理由與細節，具有參考價值。 而本案微軟之搜尋引擎Bing遭受裁罰之理由，主要可分為二面向： 一、未經使用者事前同意，逕於使用者設備中設置cookie 依法國資料保護法第82條規定，業者利用cookie或其他追蹤方式針對使用者終端設備上的資料進行讀取或寫入資料前，應盡告知義務並取得使用者同意。惟搜尋引擎Bing在使用者造訪網站時，未經使用者同意便設置一種具有安全及廣告等多種用途的cookie（MUID cookie）於其電腦設備，且當使用者繼續瀏覽網站時，將會另設置其他廣告cookie，然微軟亦未就此取得使用者同意。 二、拒絕設置cookie與給予同意之方式便利性應相同 在有效同意的標準與具體判斷上，由於搜尋引擎Bing的cookie聲明第一階層僅提供「接受」與「設定」兩類按鈕，並未提供「拒絕」按鈕，因此使用者同意或拒絕設置cookie之流程便利性有其差異，並未一致，如下說明： （一）使用者同意設置cookie 如使用者同意設置cookie，僅需於cookie聲明的第一階層點擊「接受」按鈕，即完成設置。 （二）使用者拒絕設置cookie 若使用者欲拒絕設置cookie，需於cookie聲明的第一階層點擊「設定」按鈕；其後進入第二階層，使用者可於各類型cookie選擇開啟或關閉，再點擊「保存設定」按鈕，始完成設置。 是以使用者拒絕同意設置cookie與給予同意之方式，兩者的便利性並未一致。又因第二階層顯示默認未設置cookie，恐導致使用者誤以為網站並未設置cookie，故CNIL認為此種同意欠缺自願性而屬無效者。
美國政府管考辦公室提出醫療產業資訊化政策評價報告美國之政府管考辦公室（ Government Accountability Office ）針對聯邦政府推動醫療產業導入資訊應用之相關措施及作為，九月初向參議院政府再造委員會（ Committee on Government Reform, House of Representatives ）下轄之聯邦人事暨組織次委員會（ the Subcommittee on Federal Workforce and Agency Organization ）提出報告，綜合回顧 2004 以來之各項政策宣示及執行規劃，指出目前猶有未足之處以及今後適宜更加留意之方向。 簡言之，醫療產業導入資訊應用，可望帶來降低營運成本，提升經營效率，防免發生過誤，維護病患安全等諸多實益，已為各界所共認。另由於聯邦政府介入醫療產業之程度與影響層面既深且廣，不僅本諸規制角度主管產業，更推動諸多施政，投入大量資金，提供老人、傷殘、兒童、低收入戶、原住民、退伍軍人、退休公職人員等不同社會族群各式相關服務，從而責成聯邦政府領銜推動醫療產業導入資訊應用，藉此提升醫療之品質及效率，應屬妥適。 自 2004 年提出行動綱領以降，聯邦政府即已陸續接櫫各項目標及其實施策略，並區分病歷資料格式、傳輸互通標準、網路基礎架構、隱私安全議題、公衛服務整合等面向分別開展，獲致相當成效。惟據管考辦公室之分析，既有之政策措施及各項作為，似乏詳盡之細部規劃及具體之實踐要項可資遵循，亦無妥善之績效評比指標以利參考。由是觀之，迄今之努力及其成果固值稱許，然就 2014 年普遍採用電子病歷並且得以交流互通之願景而言，還有很多需要努力的地方。
美國國家標準與技術研究院公布人工智慧風險管理框架（AI RMF 1.0）美國國家標準與技術研究院（National Institute of Standards and Technology, NIST）於2023年1月26日公布「人工智慧風險管理框架1.0」（Artificial Intelligence Risk Management Framework, AI RMF 1.0），該自願性框架提供相關資源，以協助組織與個人管理人工智慧風險，並促進可信賴的人工智慧（Trustworthy AI）之設計、開發與使用。NIST曾於2021年7月29日提出「人工智慧風險管理框架」草案進行公眾徵詢，獲得業界之建議包含框架應有明確之衡量方法以及數值指標、人工智慧系統設計時應先思考整體系統之假設於真實世界中運作時，是否會產生公平性或誤差的問題等。本框架將隨著各界使用後的意見回饋持續更新，期待各產業發展出適合自己的使用方式。 本框架首先說明人工智慧技術的風險與其他科技的差異，定義人工智慧與可信賴的人工智慧，並指出設計該自願性框架的目的。再來，其分析人工智慧風險管理的困難，並用人工智慧的生命週期定義出風險管理相關人員（AI actors）。本框架提供七種評估人工智慧系統之信賴度的特徵，包含有效且可靠（valid and reliable）：有客觀證據證明人工智慧系統的有效性與系統穩定度；安全性（safe）：包含生命、健康、財產、環境安全，且應依照安全風險種類決定管理上的優先次序；資安與韌性（secure and resilient）；可歸責與資訊透明度（accountable and transparent）；可解釋性與可詮譯性（explainable and interpretable）；隱私保護（privacy-enhanced）；公平性—有害偏見管理（fair – with harmful bias managed）。 本框架亦提出人工智慧風險管理框架核心（AI RMF Core）概念，包含四項主要功能：治理、映射（mapping）、量測與管理。其中，治理功能為一切的基礎，負責孕育風險管理文化。各項功能皆有具體項目與子項目，並對應特定行動和結果產出。NIST同時公布「人工智慧風險管理框架教戰手冊」（AI RMF Playbook），提供實際做法之建議，並鼓勵業界分享其具體成果供他人參考。