國際產業創新合作策略實例 – 歐盟之歐洲科技與創新機構(EIT)
英國文化、媒體暨體育部2017年3月8日發布「次世代行動技術：英國的5G策略」，此舉將會加速英國網路基礎建設更新並促進智慧聯網之發展。這份策略書提出了幾個重要方面來採取行動： 建構經濟實例：英國政府計畫建立新的5G試驗場，和企業共同合作發展5G科技。此試驗場預計同時在城市和偏遠地區進行，以了解不同地區環境下建設的效益，且與Ofcom合作了解目前環境與法規障礙。 調適法規：政府會持續檢查相關法規是否需要修正，並與試驗場合作了解現行法規是否適當。 地方區域的治理與能力建構：意識到地方區域於建構基礎建設的重要性，因此英國政府正在諮詢地方政府如何在地方區域進行5G建設，將會將地方政府、政府部門、土地擁有者和企業等集合組成工作小組進行5G策略的諮詢。 覆蓋率與能力匯流：政府將於2017年底前了解人類生活、工作與旅遊需達成之高品質覆蓋率要素，並於2025年前達成這些要素目標。 確保安全的5G布建：5G試驗場將會與重要安全組織如國家網路安全中心合作，以支持和發展新的安全建築來達到消費者對於5G的期待與需求。 頻譜：政府將要求Ofcom檢視現行頻譜授權策略並於2017年底提出報告，以促進4G至5G轉型。 科技與標準：政府將會持續和標準機關合作，監督市場安全與供應者的發展。
美國通過《音樂現代化法》（Music Modernization Act, MMA）美國於2018年10月11日正式簽署通過《音樂現代化法》（Orrin G. Hatch-Bob Goodlatte Music Modernization Act, MMA），該法搭起時代鴻溝的橋樑。《音樂現代化法》囊括三個從2017年分別通過的子法，並成為《音樂現代化法》中的三個大標題： 第一部份：音樂授權現代化（Music Licensing Modernization） 音樂作品本身的著作權、重製權是「大權利」（Grand Right），而公開傳輸權則是「小權利」（Small Right）。前者是恢復市場機制、自由議價，愈自由愈好；後者則是愈方便、愈能夠使音樂作品被世人看見愈好。《音樂現代化法》實踐了這個理想。《音樂現代化法》成立職司音樂著作授權的非營利組織「音樂機械灌錄集體授權組織」（The Mechanical Licensing Collective, MLC）。該組織是針對「數位音樂串流業者」量身打造，進行音樂數位使用（Digital Uses）的概括式授權（Blanket License）。再者，根據舊法，授權金是法定的，但《音樂現代化法》予以音樂創作人對其作品的授權金額保有協商權（Authority to Negotiate）。同時透過音樂資料庫的建立和免費線上檢索系統，方便音樂使用人查詢與媒合。 第二部份：經典音樂法（CLASSICS Act） 溯及賦予1923年1月1日至1972年2月14日之間的音樂，就未經授權而進行「數位錄音傳輸」（Digital Audio Transmissions）之行為，使之有從首次公開發行後95年的著作權保護。這裡授權的客體所會得到的權利相近於1972年後錄音著作「非互動式數位串流服務」所得到的保護。 第三部份：音樂製作人分潤（Allocation for Music Producers） 在科技世代，一個偉大的音樂創作，並非作曲人獨力完成的，《音樂現代化法》以分潤制度，讓音樂製作人、混音師及音訊工程師首次獲得法律上的權利。
日本發布《資料品質管理指引》，強調歷程存證與溯源，建構可信任AI透明度2025年12月，日本人工智慧安全研究所（AI Safety Institute，下稱AISI）與日本獨立行政法人情報處理推進機構（Information-technology Promotion Agency Japan，下稱IPA）共同發布《資料品質管理指引》（Data Quality Management Guidebook）。此指引旨於協助組織落實資料品質管理，以最大化資料與AI的價值。指引指出AI加劇了「垃圾進，垃圾出（Garbage in, Garbage out）」的難題，資料品質將直接影響AI的產出。因此，為確保AI服務的準確性、可靠性與安全性，《資料品質管理指引》將AI所涉及的資料，以資料生命週期分為8個階段，並特別強調透過資料溯源，方能建立透明且可檢核的資料軌跡。 1.資料規劃階段：組織高層應界定資料蒐集與利用之目的，並具體說明組織之AI資料生命週期之各階段管理機制。 2.資料獲取階段：此步驟涉及生成、蒐集及從外部系統或實體取得資料，應優先從可靠的來源獲取AI模型的訓練資料，並明確記錄後設資料（Metadata）。後設資料指紀錄原始資料及資料歷程之相關資訊，包含資料的創建、轉檔（transformation）、傳輸及使用情況。因此，需要記錄資料的創建者、修改者或使用者，以及前述操作情況發生的時間點與操作方式。透過強化來源透明度，確保訓練資料進入AI系統時，即具備可驗證的信任基礎。 3.資料準備階段：重點在於AI標註（Labeling）品質管理，標註若不一致，將影響AI模型的準確性。此階段需執行資料清理，即刪除重複的資料、修正錯誤的資料內容，並持續補充後設資料。此外，可添加浮水印（Watermarking）以確保資料真實性與保護智慧財產權。 4.資料處理階段（Data Processing）：建立即時監控及異常通報機制，以解決先前階段未發現的資料不一致、錯漏等資料品質問題。 5.AI系統建置與運作階段：導入RAG（檢索增強生成）技術，檢索更多具參考性的資料來源，以提升AI系統之可靠性，並應從AI的訓練資料中排除可能涉及個人資料或機密資訊外洩的內容。 6. AI產出之評估階段（Evaluation of Output）：為確保產出內容準確，建議使用政府公開資料等具權威性資料來源（Authoritative Source of Truth, ASOT）作為評估資料集，搭配時間戳記用以查核參考資料的時效性（Currentness），避免AI採用過時的資料。 7.AI產出結果之交付階段（Deliver the Result）：向使用者提供機器可讀的格式與後設資料，以便使用者透過後設資料檢查AI產出結果之來源依據，增進透明度與使用者信任。 8.停止使用階段（Decommissioning）：當資料過時，應明確標示停止使用，若採取刪除，應留存刪除紀錄，確保留存完整的資料生命週期紀錄。 日本《資料品質管理指引》強調，完整的資料生命週期管理、強化溯源為AI安全與創新的基礎，有助組織確認內容準確性、決策歷程透明，方能最大化AI所帶來的價值。而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）》，同樣強調從源頭開始保護資料，歷程存證與溯源為關鍵，有助於組織把控資料品質、放大AI價值。 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）
歐盟執委會公布《關於標示與標籤AI生成內容之實踐守則》第二版草案，簡化第一版以促進AI生成內容之透明度歐盟執委會於2026年3月5日公布《關於標示與標籤AI生成內容之實踐守則》(Code of Practice on Marking and Labelling of AI-generated content)第二版草案，主要分為兩大部分，針對不同對象設定規範： 一、AI提供者(Provider)的標示義務 要求AI輸出內容須以「可被機器辨識」的方式標示，包含： (1)應滿足四大要件：標示應滿足有效性、互操作性、穩健性與可靠性四要件，若無法透過單一技術完成標示，則應採取多重標示的方式為之。 (2)偵測機制：建立部署者與終端用戶偵測標示的機制。 (3)技術提升：訂定規範確保標示技術達標，並鼓勵合作開發。 (4)法遵：產品於市場推出後，AI提供者應於實際環境下對標示結果持續進行測試，並適時更新測試方法，以確保產品符合法遵要求。 (5)培訓：並對工作人員進行教育訓練。 二、AI部署者(Deployer)的標籤義務 部署者應將其透過AI生成內容中加以標籤，此義務聚焦使用深偽內容(Deepfake)於涉及公共利益之內容： (1)標籤要求：標籤須包含「AI」字樣、維持特定比例並放置於清楚位置，鼓勵使用歐盟統一標籤。 (2)藝術創意類作品仍應適時揭露：藝術創作倘若包含深偽內容，部署者仍應於適當處完成標籤，揭露其作品中包含深偽內容（對應《歐盟人工智慧法》(Artificial Intelligence Act, AI Act)第50條第4項後段）。 (3)審查與問責：針對已公開作品，應記錄相關人工審查之作業；未公開作品則應說明何人具備編輯控制權，以利後續問責。 相較於第一版，歐盟執委會已將此版本內容大幅刪減，以提升規範落實之彈性。