警告台商 日亞化再出招
日亞化學近日動作仍不斷，近來日亞化學分別在日本、德國及南韓相繼對台灣的代理商及客戶提出口頭警告，不得採用疑似侵權的LED。日亞化學從原先警告台灣業者，進一步對台灣業者的代理商及客戶下馬威，內外夾擊對台廠商都造成威脅。
日亞化學對台灣廠商不友善是事實，特別是部份侵犯日亞化學白光LED專利的廠家，更是恨得牙癢癢。從早期日亞化學所採取的舉動來看，最先是以口頭警告方式，或對外放風聲來嚇嚇台灣業者。後來嚇多了也不管用，最後就向法院提出假扣押，算是較明顯的法律行動。不過，後來也不見太大成效，轉而向國外下手，第一是到南韓，對台灣的客戶下手，警告他們不得採用疑似侵權的LED產品。這也達到效果，南韓客戶也不太敢用台灣的產品。隨後日亞化學又到日本，對台灣業者的代理商提出警告，最後也達成共識，不販售及採用台灣疑似侵權的產品。昨日，日亞化學更遠赴德國，向台灣業者的代理商提出警告，也達成初步共識，就是不再販售台灣疑似侵權的LED。
如此內外夾擊的大動作，看得出日亞化學對台灣疑似侵權的LED十分感冒，也以實際行動來明他們悍衛自有專利的決心，絕不容許外界對其決心有任何質疑。而在日亞化學的一連串動作後，台灣LED廠商有沒有受到傷？從各家業者的官方說法中得不答案，但從大家今年下半年來的業績表現不好來看，除了手機市場不如預期的因素外，部份原因應是被日亞從中作梗而無法順利出貨。
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
美國聯邦貿易委員會（Federal Trade Commission，FTC）鑒於近期授權學名藥（Authorized Generic，指由原專利藥廠於專利到期後自行或授權所推出之學名藥）上市申請頻率遽增，且授權學名藥專利和解協議日多之現況，自今（2009）年起，即積極展開一系列調查行動，先後於3月首度對授權學名藥和解協議案件祭出處罰裁決，並於6月公佈一份有關授權學名藥報告（Authorized Generic: An Interim Report）。 在美國授權學名藥法規（即Hatch-Waxman Act）架構下，首次提出簡易新藥審查申請取得學名藥上市許可之第一申請者（first-filer），得享有180日之市場專屬保護期間，除授權學名藥外，保護期間內其他藥廠一概不得推出相仿學名藥。 美國學名藥市場專屬保護期間之設計，原是希望藉此加速學名藥研發與上市，達到降低藥品取得價格之效，但根據FTC調查顯示，由於授權學名藥在市場專屬保護期間內依法得進入市場，於受到授權學名藥介入競爭之壓力下，第一申請者學名藥零售價格會比原先下降4.2%，經銷價格會下降6.5%，並減少該第一申請者藥廠47-51%的收入。在此背景下，越來越多第一申請者藥廠傾向採擬與原專利品牌藥廠達成延遲學名藥上市協議之策略，藉此互為其利。根據FTC統計，2004-2008年間約有25%的專利和解案件涉及授權學名藥條款，76%的對造為第一申請者學名藥藥廠，其中有25%的和解，是由授權學名藥藥廠與第一申請者藥廠就於一定期間（平均約為34.7月）不進入市場互為承諾。 FTC目前唯一的監管機制，係依據醫療照護現代化法（The Medicare Prescription Drug, Improvement, and Modernization Act of 2003，MMA），要求專利藥廠若與學名藥廠做成任何專利訴訟和解協議或相關協議時，應於協議生效10日內向FTC通報，以供FTC決定是否展開反競爭調查。FTC對於此類協議之審查上，終於今年3月有所進展，宣布必治妥（Bristol-Myers Squibb，BMS）應就其與Apotex公司間所達成專利訴訟和解協議繳交210萬美元。
加州通過學生線上個人資料保護法案（the Student Online Personal Information Protection Act）隨著越來越多學校使用線上教育技術產品發展教學課程，並透過第三方服務提供者之技術蒐集學生的學習進度等相關資訊，資訊洩漏、駭客入侵、敏感資訊誤用或濫用等問題也因應而生。於2014年9月30日，加州州長Jerry Brown宣布幾項對加州居民隱私保護具有重要突破的法案，其中最引人關注的便是編號SB1177號法案，又稱學生線上個人資料保護法案（the Student Online Personal Information Protection Act，簡稱SOPIPA）。 SOPIPA禁止K-12學生線上教育服務經營者(operator)為下列行為，包括：(一)禁止線上教育服務經營者利用因提供服務所得之個人資料為目標行為(targeted marketing)、(二)禁止線上教育服務經營者基於非教育目的，運用因提供服務所得之個人資料為學生資料之串檔、(三)販賣學生之資訊、以及(四)除另有規定，禁止披露涵蓋資訊（covered information）。所稱之涵蓋資訊係指由K-12教育機構之雇員或學生所提供或製作之個人化可識別資訊(personally identifiable information)，或是線上教育服務經營者因提供服務所得之描述性或可識別之資訊(descriptive or identifiable information)。 此外，SOPIPA線上教育服務經營者應採取適當安全的維護措施，以確保持有之涵蓋資訊的安全。同時，線上教育服務經營者應在有關教育機構的要求下，刪除學生之涵蓋資訊。 SOPIPA預計於2016年1月1日生效，將適用於與K-12學校簽有契約之大型教育技術與雲端服務提供者，同時也將適用於未與K-12學校簽署契約，但為該學校所使用之小型K-12技術網站、服務或APP等等。
美國FDA公告食品營養強化物添加之指導原則添加營養素到一般之食物中，對於維持或增進整體食物之營養品質來說，是一個非常有效率之方式。然而，不當添加或濫用這些外加之營養素，卻可能造成消費者過度或不足攝取某些特定之營養成分，甚至更可能造成某些食物之營養價值有誤導或詐騙消費者之嫌。 美國食品藥物管理局（Food and Drug Administration，以下簡稱FDA）為了統一回應食品廠商、其他聯邦主管機關以及相關學會之問題，針對添加到食物中之必需營養補充品，在2015年11月6日公告了一份指導原則（Questions and Answers on FDA’s Fortification Policy）。本指導原則以Q&A之形式呈現，，列出FDA對於食品營養強化物（Fortification of Foods）政策之態度（並未變更其自1980年代以來對於食品營養強化物之向來立場）以及建議遵循規定。 FDA建議食品營養強化物添加之基本原則如下：校正飲食之缺陷；補充因食物於處理、流通之過程中所喪失之營養素；根據食物整體熱量計算之結果，均衡添加各種食品營養強化物等。 本指導原則僅適用於人類使用之食品，動物用食品並不在其建議範圍內；另外，其亦不適用於嬰幼兒配方或是一般之保健營養品，其僅適用於一般常規之食物，例如：牛奶、果汁、豆漿、麥片、麵包、通心粉、乳瑪琳等。但是要注意，針對一些新鮮的食物或本身即非營養的食物，例如：新鮮蔬菜、魚肉類、糖、甜點、碳水化合物等，並不建議再額外添加食品營養強化物。 另外，只有人體所必須的營養素（essential nutrients）才可額外添加到常規的食品中，亦即所有添加物都須依據膳食營養素參考攝取量（Reference Daily Intakes；RDI）所規定之種類及建議量，做適當的添加；且添加物必須合法且安全。 食品營養強化物之標示，則必須依據食品標示相關法規恰當為之，不可出現會誤導消費者的任何詞彙，也不宜做出任何可以預防營養素缺乏之陳述，因為這麼做可能使消費者誤認有添加物的食品其營養成分較原始食物高。 本指導原則對廠商並無強制力，然要是廠商有違反本指導原則之情形，FDA將會發出警告信，顯示出FDA強烈建議廠商遵守本指導原則之決心。
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。