單一顏色可否註冊成為商標? --- 英國知名巧克力品牌Cadbury成功將其招牌包裝用色「紫色」註冊為商標
英國知名巧克力品牌Cadbury2004年10月向英國智慧財產局提出商標申請，欲將其招牌包裝用色(Pantone 2685C紫色)註冊為商標，指定使用於巧克力相關產品的包裝上，產品包含巧克力條、巧克力片、巧克力糖、包有內餡的巧克力、可可亞飲料、巧克力飲料、巧克力蛋糕。
自此，單一顏色是否可註冊成為商標之爭議不斷出現，努力長達將近8年，Cadbury終於今年4月在英國獲准將該紫色註冊成為商標。
註冊公告後Cadbury最大競爭對手Nestle(雀巢)旋即提出異議，其認為該紫色不具有識別性，且即便有識別性被核准註冊，其被賦予的商標權範圍亦過寬大(該紫色註冊商標指定使用之產品種類眾多)。
此顏色商標註冊爭議戰火持續燃燒，直至今年本月(10月)，由英國高院(High Court)判決確認。法官首先說明單一顏色能做為商標保護標的，只要商標申請人明確定義清楚顏色色號(Pantone number)及顏色使用方式。此外，單一顏色註冊成為商標，商標權保護範圍應特別注意，僅限於使用該顏色時具有識別性之特定產品或服務上。
回到本案，法官提及Cadbury從1914年起即使用此紫色於牛奶巧克力棒(Dairy Milk bars)，且Cadbury已提出足夠證據證明Pantone 2685C紫色具由識別性，相關消費者看到該紫色會聯想到Cadbury。然而，法官亦同時指出，對相關消費者而言，該紫色使用於牛奶巧克力及飲品時，方具有識別性，使用在其他巧克力相關產品上時，並不具有識別性，故法官就紫色註冊商標保護範圍進行了限縮。
針對判決結果，Cadbury高興地表示取得顏色商標對於品牌識別性及維護有正面作用，除了文字商標外，對品牌又多了一層保護。
此判決出爐後，似乎可預見日後將有更多品牌企業申請註冊顏色商標，加強品牌保護。
施品安
副主任 編譯整理
Rebecca Smithers, Cadbury hits a purple patch with legal victory to secure trademark, The Guardian, Oct.2, 2012, http://www.guardian.co.uk/business/2012/oct/02/cadbury-purple-legal-victory-trademark (last visited Oct.24, 2012)
Alex Hern, Cadbury retains hold over its trademarked shade of purple, NewStatesman, Oct.2, 2012, http://allfacebook.com/burberry-defends-right-to-use-humphrey-bogart-image-in-facebook-timeline_b87807 (last visited Oct.24, 2012)
英國技術大臣（U.K. Secretary of State for Science）蜜雪兒·多尼蘭（Michelle Donelan）和美國商務部長（U.S. Secretary of Commerce）吉娜·雷蒙多（Gina Raimondo）於2024年4月1日在華盛頓特區簽署一份合作備忘錄（MOU），雙方將共同開發先進人工智慧（frontier AI）模型及測試，成為首批就測試和評估人工智慧模型風險等進行正式合作之國家。 此備忘錄之簽署，是為履行2023年11月在英國的布萊切利公園（Bletchley Park）所舉行的首屆人工智慧安全峰會（AI Safety Summit）上之承諾，諸如先進AI的急速進步及濫用風險、開發者應負責任地測試和評估應採取之適當措施、重視國際合作和資訊共享之必要性等等，以此為基礎羅列出兩國政府將如何在人工智慧安全方面匯集技術知識、資訊和人才，並開展以下幾項聯合活動： 1.制定模型評估的共用框架（model evaluations），包括基礎方法（underpinning methodologies）、基礎設施（infrastructures）和流程（processes）。 2.對可公開近用模型執行至少一次聯合測試演習（joint testing exercise）。 3.在人工智慧安全技術研究方面進行合作，以推進先進人工智慧模型之國際科學知識，並促進人工智慧安全和技術政策的一致性。 4.讓英、美兩國安全研究所（AI Safety Institute）間的人員互相交流利用其團體知識。 5.在其活動範圍內，依據國家法律、法規和契約規定來相互共享資訊。 換言之，兩國的機構將共同制定人工智慧安全測試之國際標準，以及適用於先進人工智慧模型設計、開發、部署、使用之其他標準。確立一套通用人工智慧安全測試方法，並向其他合作夥伴分享該能力，以確保能夠有效應對這些風險。就如英國技術大臣蜜雪兒·多尼蘭強調的，確保人工智慧的安全發展是全球性問題，只有通過共同努力，我們才能面對技術所帶來的風險，並利用這項技術幫助人類過上更好的生活。
通用人工智慧的透明揭露標準--歐盟通用人工智慧模型實踐準則「透明度 (Transparency)」章通用人工智慧的透明揭露標準--歐盟通用人工智慧模型實踐準則「透明度 (Transparency)」章 資訊工業策進會科技法律研究所 2025年08月06日 歐盟人工智慧辦公室(The European AI Office，以下簡稱AIO) 於2025年7月10日提出《人工智慧法案》（AI Act, 以下簡稱AIA法案）關於通用型人工智慧實作的準則[1] (Code of Practice for General-Purpose AI Models，以下簡稱「GPAI實踐準則」)，並於其中「透明度 (Transparency)」章節[2]，針對歐盟AIA法案第53條第1項(a)、(b)款要求GPAI模型的提供者必須準備並提供給下游的系統整合者 (integrator) 或部署者 (deployer) 足夠的資訊的義務，提出模型文件(Model Documentation)標準與格式，協助GPAI模型提供者制定並更新。 壹、事件摘要 歐盟為確保GPAI模型提供者遵循其AI法案下的義務，並使AIO能夠評估選擇依賴本守則以展現其AI法案義務合規性的通用人工智慧模型提供者之合規情況，提出GPAI實踐準則。當GPAI模型提供者有意將其模型整合至其AI系統的提供者（以下稱「下游提供者」）及應向AIO提供相關資訊，其應依透明度章節要求措施(詳下述)提出符合內容、項目要求的模型文件，並予公開揭露且確保已記錄資訊的品質、安全性及完整性 (integrity)。 由於GPAI模型提供者在AI價值鏈 (AI value chain) 中具有特殊角色和責任，其所提供的模型可能構成一系列下游AI系統的基礎，這些系統通常由需要充分了解模型及其能力的下游提供者提供，以便將此類模型整合至其產品中並履行其AIA法案下的義務。而相關資訊的提供目的，同時也在於讓AIO及國家主管機關履行其AI法案職責，特別是高風險AI的評估。 AIO指出完整填寫與定期更新模型文件，是履行AIA法案第53條義務的關鍵步驟。GPAI模型提供者應建立適當的內部程序，確保資訊的準確性、時效性及安全性。模型文件所含資訊的相關變更，包括同一模型的更新版本，同時保留模型文件的先前版本，期間至模型投放市場後10年結束。 貳、重點說明 一、制定並更新模型文件(措施1.1) 透明度 (Transparency)章節提供模型文件的標準表格，做為GPAI實踐準則透明度章節的核心工具，協助GPAI模型提供者有系統性的整理並提供AIA法案所要求的各項資訊。表格設計考量了不同利害關係人的資訊需求，確保在保護商業機密的同時，滿足監管透明度的要求。 前揭記錄資訊依其應提供對象不同，各欄位已有標示區分該欄資訊係用於AI辦公室 (AIO)、國家主管機關 (NCAs) 或下游提供者 (DPs)者。適用於下游提供者的資訊，GPAI模型提供者應主動提供(公開揭露)，其他則於被請求時始須提供(予AIO或NCAs)。 除基本的文件最後更新日期與版本資訊外，應提供的資訊分為八大項，內容應包括： (一)、一般資訊General information 1.模型提供者法律名稱(Legal name) 2.模型名稱(Model name)：模型的唯一識別碼（例如 Llama 3.1-405B），包括模型集合的識別碼（如適用），以及模型文件涵蓋之相關模型公開版本的名稱清單。 3.模型真實性(Model authenticity)：提供明確的資訊例如安全雜湊或URL端點，來幫助使用者確認這個模型的來源 (Provenance)、是否真實性未被更動 (Authenticity)。 4.首次發布日(Release date)與首次投放歐盟市場的日期(Union market release date)。 5.模型依賴(Model dependencies)：若模型是對一個或多個先前投放市場的GPAI模型進行修改或微調的結果，須列出該等模型的名稱（及相關版本，如有多個版本投放市場）。 (二)、模型屬性(Model properties) 1.Model architecture 模型架構：模型架構的一般描述，例如轉換器架構 (transformer architecture)。 2.Design specifications of the model 模型設計規格：模型主要設計規格的一般描述，包括理由及所作假設。 3.輸出/入的模式與其最大值(maximum size)：說明係文字、影像、音訊或視訊模式與其最大的輸出/入的大小。 4.模型總參數量(model size)與其範圍(Parameter range)：提供模模型參數總數，記錄至少兩個有效數字，例如 7.3*10^10 參數，並勾選參數(大小)所在範圍的選項，例如：☐>1T。 (三)、發佈途徑與授權方式(Methods of distribution and licenses) 1.發佈途徑Distribution channels：列舉在歐盟市場上使用模型的採用法，包括API、軟體套裝或開源倉庫。 2.授權條款License：附上授權條款鏈結或在要求時提供副本；說明授權類型如: 開放授權、限制性授權、專有授權；列出尚有提供哪些相關資源(如訓練資料、程式碼)與其存取方式、使用授權。 (四)、模型的使用(Use) 1.可接受的使用政策Acceptable Use Policy：附上可接受使用政策連結或副本或註明無政策。 2.預期用途或限制用途Intended uses：例如生產力提升、翻譯、創意內容生成、資料分析、資料視覺化、程式設計協助、排程、客戶支援、各種自然語言任務等或限制及/或禁止的用途。 3.可整合AI系統之類型Type and nature of AI systems：例如可能包括自主系統、對話助理、決策支援系統、創意AI系統、預測系統、網路安全、監控或人機協作。 4.模型整合技術方式Technical means for integration：例如使用說明、基礎設施、工具）的一般描述。 5.所需軟硬體資源Required hardware與software：使用模型所需任何軟硬體（包括版本）的描述，若不適用則填入「NA」。 (五)、訓練過程(Training process) 1.訓練過程設計規格(Design specifications of the training process)：訓練過程所涉主要步驟或階段的一般描述，包括訓練方法論及技術、主要設計選擇、所作假設及模型設計最佳化目標，以及不同參數的相關性（如適用）。例如：「模型在人類偏好資料集上進行10個輪次的後訓練，以使模型與人類價值觀一致，並使其在回應使用者提示時更有用」。 2.設計決策理由(Decision rationale)：如何及為何在模型訓練中做出關鍵設計選擇的描述。 (六)、用於訓練、測試及驗證的資料資訊(Information on the data used for training, testing, and validation) 1.資料類型樣態Data type/modality：勾選樣態包括文字、影像、音訊、視訊或說明有其他模態。 2.資料來源Data provenance：勾選來源包括網路爬蟲、從第三方取得的私人非公開資料集、使用者資料、公開資料集、透過其他方式收集的資料、非公開合成(Synthetic )資料等。 3.資料取得與選取方式(How data was obtained)：取得及選擇訓練、測試及驗證資料使用方法的描述，包括用於註釋資料的方法及資源，以及用於生成合成資料的模型及方法。從第三方取得的資料，如果權利取得方式未在訓練資料公開摘要中披露，應描述該方式。 4.資料點數量Number of data points：說明訓練、測試及驗證資料的大小（資料點數量），連同資料點單位的定義（例如代幣或文件、影像、視訊小時或幀）。 5.資料範疇與特性(Scope and characteristics)：指訓練、測試及驗證資料範圍及主要特徵的一般描述，如領域（例如醫療保健、科學、法律等）、地理（例如全球、限於特定區域等）、語言、模式涵蓋範圍。 6.資料清理處理方法(Data curation methodologies)：指將獲取的資料轉換為模型訓練、測試及驗證資料所涉及的資料處理一般描述，如清理（例如過濾不相關內容如廣告）、資料擴增。 7.不當資料檢測措施(Measures for unsuitability)：在資料獲取或處理中實施的任何方法描述（如有），以偵測考慮模型預期用途的不適當資料源，包括但不限於非法內容、兒童性虐待材料 (CSAM)、非同意親密影像 (NCII)，以及導致非法處理的個人資料。 8.可識別偏誤檢測措施(Measures to detect identifiable biases)：描述所採取的偵測與矯正訓練資料存在偏誤的方法。 (七)、訓練期間的計算資源(Computational resources (during training)) 1.訓練時間(Training time)：所測量期間及其時間的描述。 2.訓練使用的計算量(Amount of computation used for training)：說明訓練使用的測量或估計計算量，以運算表示並記錄至其數量級（例如 10^24 浮點運算）。 3.測量方法論(Measurement methodology)：描述用於測量或估計訓練使用計算量的方法。 (八)、訓練及推論的能源消耗(Energy consumption (during training and inference)) 1.訓練耗能(Amount of energy used for training)及其計量方法：說明訓練使用的測量或估計能源量，以百萬瓦時表示（例如 1.0x10^2 百萬瓦時）。若模型能源消耗未知，可基於所使用計算資源的資訊估計能源消耗。若因缺乏計算或硬體提供者的關鍵資訊而無法估計訓練使用能源量，提供者應披露所缺乏的資訊類型。 2.推論運算耗能的計算基準 (Benchmarked amount of computation used for inference1)及其方法：以浮點運算表示方式（例如 5.1x10^17 浮點運算）說明推論運算的基準計算量，並提供計算任務描述（例如生成100000個代幣Token）及用於測量或估計的硬體（例如 64個Nvidia A100）。 二、提供GPAI模型相關資訊(措施1.2) 通用人工智慧模型投放市場時，應透過其網站或若無網站則透過其他適當方式，公開揭露聯絡資訊，供AIO及下游提供者請求取得模型文件中所含的相關資訊或其他必要資訊，以其最新形式提供所請求的資訊。 於下游提供者請求時，GPAI模型提供者應向下游提供者提供最新模型文件中適用於下游提供者的資訊，在不影響智慧財產權及機密商業的前提下，對使其充分了解GPAI模型的能力及限制，並使該等下游提供者能夠遵循其AIA法案義務。資訊應在合理時間內提供，除特殊情況外不得超過收到請求後14日。且該資訊的部分內容可能也需要以摘要形式，作為GPAI模型提供者根據AIA法案第53條第1項(d)款必須公開提供的訓練內容摘要 (training content summary) 的一部分。 三、確保資訊品質、完整性及安全性(措施1.3) GPAI模型提供者應確保資訊的品質及完整性獲得控制，並保留控制證據以供證明遵循AIA法案，且防止證據被非預期的變更 (unintended alterations)。在制定、更新及控制資訊及記錄的品質與安全性時，宜遵循既定協議 (established protocols) 及技術標準 (technical standards)。 參、事件評析 一、所要求之資訊完整、格式標準清楚 歐盟AGPAI實踐準則」的「透明度 (Transparency)」提供模型文件的標準表格，做為GPAI實踐準則透明度章節的核心工具，從名稱、屬性、功能等最基本的模型資料，到所需軟硬體、使用政策、散佈管道、訓練資料來源、演算法設計，甚至運算與能源消秏等，構面完整且均有欄位說明，而且部分欄位直接提供選項供勾選，對於GPAI模型提供者提供了簡明容易的AIA法案資訊要求合規做法。 二、表格設計考量不同利害關係人的資訊需求 GPAI實踐準則透明度章節雖然主要目的是為GPAI模型提供者對由需要充分了解模型及其能力的下游提供者提供資訊，以便其在產品履行AIA法案下的義務。但相關資訊的提供目的，同時也在於讓AIO及國家主管機關履行其AI法案職責，特別是高風險AI的評估。因此，表格的資訊標示區分該欄資訊係用於AI辦公室 (AIO)、國家主管機關 (NCAs) 或下游提供者 (DPs)者，例如模型的訓練、資料清理處理方法、不當內容的檢測、測試及驗證的資料來源、訓練與運算的能秏、就多屬AIO、NCAs有要求時始須提供的資料，無須主動公開也兼顧及GPAI模型提供者的商業機密保護。 三、配套要求公開並確保資訊品質 該準則除要求GPAI模型提供者應記錄模型文件，並要求於網站等適當地，公開提供下游提供者請求的最新的資訊。而且應在不影響智慧財產權及機密商業的前提下，提供其他對使其充分了解GPAI模型的能力及限制的資訊。同時，為確保資訊的品質及完整性獲得控制，該準則亦明示不僅應落實且應保留證據，以防止資訊被非預期的變更。 四、以透明機制落實我國AI基本法草案的原則 我國日前已由國科會公告人工智慧基本草案，草案揭示「隱私保護與資料治理」、「妥善保護個人資料隱私」、「資安與安全 」、「透明與可解釋 」、「公平與不歧視」、「問責」原則。GPAI實踐準則透明度章節，已提供一個重要的啟示—透過AI風險評測機制，即可推動GPAI模型資訊的揭露，對相關資訊包括訓練資料來源、不當內容防止採取做一定程度的揭露要求。 透過相關資訊揭露的要求，即可一定程度促使AI開發提供者評估認知風險，同時採取降低訓練資料、生成結果侵權或不正確的措施。即便在各領域作用法尚未能建立落實配套要求，透過通過評測的正面效益，運用AI風險評測機制的資訊提供要求，前揭草案揭示的隱私、著作、安全、問責等原則，將可以立即可獲得一定程度的實質落實，緩解各界對於AI侵權、安全性的疑慮。 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） [1]The European AI Office, The General-Purpose AI Code of Practice, https://digital-strategy.ec.europa.eu/en/policies/contents-code-gpai 。(最後閱覽日：2025/07/30) [2]The European AI Office, Code of Practice for General-Purpose AI Models–Transparency Chapter, https://ec.europa.eu/newsroom/dae/redirection/document/118120 。(最後閱覽日：2025/07/30)
論我國廣播電視與電信事業跨業經營相關規範 新加坡發佈《代理金融運行時安全防護框架》產業白皮書，協助金融AI代理之風險治理新加坡發佈《代理金融運行時安全防護框架》產業白皮書，協助金融AI代理之風險治理 資訊工業策進會科技法律研究所 2026年08月18日 今（2026）年7月3日，新加坡金融管理局（Monetary Authority of Singapore, 簡稱MAS）聯合多家國際金融機構與金融科技公司共同發布《代理金融運行時安全防護框架》（Safeguards for Agentic Finance at Runtime，簡稱SAFR）產業白皮書[1]，針對金融領域AI代理（AI agents）提出前瞻性的治理框架。 壹、事件摘要 MAS於2025年11月發佈BuildFin.ai計畫，其目的是要讓金融機構、科技業者與研究機構一起解決金融業導入AI時的共同問題。簡單來說，BuildFin.ai計畫提供了金融科技業者一個應用共創平台，由業者提出問題，再讓產、官、研各界共同思索對策以促進金融業的AI應用，並同時強化其風險治理[2]。另外，隨著AI代理的新興技術發展，新加坡資訊通信媒體發展局（Infocomm Media Development Authority, IMDA）亦已於今年5月20日發布《代理式人工智慧治理示範框架》（Model AI Governance Framework for Agentic AI）第1.5版，透過風險評估機制、人類問責制、技術管控流程、終端使用者注意義務等面向建構AI代理的治理機制[3]。 因而，MAS在前述新加坡的政策趨勢下，也同步意識到金融領域導入AI代理技術的發展，包括金融AI代理可以發起支付、提交交易訂單、核准信用申請、申報監管報告，以及結算保險理賠等自主執行能力，其風險特性與傳統AI不同，因此有及早規劃因應的必要性。於是，MAS透過BuildFin.ai計畫與螞蟻國際、Circle、匯豐銀行、摩根大通、宏利、萬事達卡、華僑銀行和Visa等八大金融業界開會討論，決定共同撰寫SAFR產業白皮書，提供一套可操作性的治理框架，協助金融業者可以應用此方法以有效提升金融業導入AI代理的風險治理。 貳、重點說明 以下就SAFR分為兩部分進行簡要說明，第一部分為金融AI代理的系統風險，第二部分則為金融AI代理的治理架構： 一、金融AI代理的系統風險 （一）執行前保障（pre-execution assurance）的機制欠缺 傳統AI的風險治理主要管控在「部署前」與「使用後」，前者主要透過模型風險管理（model risk management）的方式，於部署前對AI系統進行驗證；後者則以審計（audit）方法去檢視事後發生的情況進行追蹤。然而，這兩種常規風險管理機制，都無法及時在AI代理決策執行前的當下就問題發生進行識別與處理，因此凸顯出對執行前保障的機制欠缺[4]。 （二）人機治理介面流於形式 現行人類審核機制目地主要應付於權宜之計，比如，一則通知、一封電子郵件警示，並未有具體的制度化與管理流程。換言之，沒有處理期限、缺乏標準的決策格式，也沒有審計記錄，SAFR批評這是流於形式、缺乏實質內容的人工監督[5]。 （三）碎片化的系統格式 新加坡的金融業者都各自於AI部署系統建立自身專屬的防護網（guardrails），其結果導致各系統間無法互相操作（non-interoperable），且無法在整個機構內部以一致的格式進行審計。因此，其風險並無法有效整合識別，不僅耗費成本過多，也無法讓金融業者能攜手合作處理[6]。 二、金融AI代理的治理架構 SAFR針對前述三大問題提出了應對方案，透過結構化的升級協議和統一的治理模式以解決AI系統的安全治理與監管挑戰。換言之，SAFR為AI代理定義了資料結構、評估邏輯與升級協議，並提出「治理封裝」（governance envelop）的技術概念，作為AI代理執行動作前的數位申請書，將其執行動作的參數、推理軌跡與身分元資料統合打包，並依SAFR的四階段治理流程進行管理以確保AI代理執行的即時把關[7]。 （一）身分驗證（Agent identity） AI代理的每項行動會綁定至一個已被認可且註冊的AI代理身分帳號，在進行任何其他評估流程之前，檢核系統必須先對照該AI代理的註冊身分進行驗證，並於AI代理帳號的註冊庫中進行查詢比對。另外由於AI代理會執行不同動作，一個AI代理可在不同行為註冊複數個身分帳號，檢核系統就會比對與判定該AI代理帳號的行為與身分是否吻合一致，若身分驗證失敗，檢核系統會拒絕AI代理的執行動作，並記錄於審計日誌中[8]。 （二）控制安全機制（Controls Repository） 控制安全機制是系統用來驗證其規則的場域，由於金融AI代理經過身分驗證後，其執行行為是否符合內部組織政策、金融法規、產品規則與使用者的授權範圍等，需要進一步的控管與檢核。因此，該系統會就允許的行動類型、決策邏輯、行為條件、有效期限與責任歸屬進行編碼操作，來逐一檢視AI代理的行為是否符合控制安全機制的要求[9]。 （三）結果處置引擎（Disposition Engine） 在結果處置引擎階段會根據控制安全機制的檢核結果給予裁示判斷，其判斷有四種結果，拒絕、升級、自動執行與觀察。拒絕為禁止其行動，升級則是要由人工審核，自動執行是通過並允許其行為，觀察則是認為有疑慮但損害不大者，可放行其行為但會被記錄在案供後續追蹤[10]。整體而言，透過不同層級的檢核標準以確認AI代理執行的範圍與權限。 （四）審計日誌（Audit Log） 最後審計日誌將會如實紀錄上面三階段的系統審核流程，並以「只能新增、無法修改」且「具備防篡改特徵（tamper-evident）」的形式，記錄了每一次的治理決策。每一筆記錄都包含了六個要素：提交時的治理封裝、作為行動檢查依據的授權令、結果處置引擎產生的結果、所套用的具體規則、得出該結果的依據，以及在每個階段所耗費的時間。透過此審計日誌具權威效力的記錄，可用於風險治理與生命週期的監督[11]。 參、事件評析 整體而言，SAFR藉由技術操作流程的治理框架來應對AI代理的新興發展，並藉由治理封裝的技術概念來實行四階段的驗證流程，以確保AI代理的有效監督。另外，SAFR又提供務實的解決方案，由於AI代理的運作早已有業者開發或部屬，如要用SAFR的治理機制其技術成本高昂，故提供匝道模式（gateway pattern）建立整體的外掛防護機制，不需要針對每個AI代理系統使用原生內嵌（native instrumentation）方式[12]。亦即，採取「先求有、再求好」的務實策略，雖然沒辦法提供最精準、最深層的檢核流程，但至少匝道模式能提供最基礎的技術防護措施，確保AI代理的風險可以於一定程度內控制，然後再針對新開發的AI代理要求以原生內嵌模式進行系統改良。 回到臺灣，目前金融領域已有大規模的AI導入，未來亦可預見AI代理的應用，其風險治理則必須謹慎對待。目前，金融監督管理委員會（下稱金管會）已於2024年6月20日發布「金融業運用人工智慧（AI）指引」，作為金融機構導入、使用及管理AI的參考[13]。為了因應AI代理趨勢的發展，行政院於今年7月核定頒布的「人工智慧風險分類框架」已針對AI代理的使用納入風險識別的子項目之一[14]，並且金管會正研議將前沿AI（Frontier AI）[15]與AI代理[16]的應用作為金融風險治理的一環。 因此，新加坡與業界合作撰寫的產業白皮書對金管會而言是很好的借鏡經驗，透過業界第一手的實務觀察，再與政府和研究機構攜手合作，思考相對應的治理對策，並提出具操作性與前瞻性的技術防護措施，強化AI代理的風險治理。同時，SAFR的具體指導方針讓金融業者可以採用與施行，以降低AI代理的系統性風險，甚至金融專業領域自主形成的產業治理框架，對其他目的事業具有一定程度的示範效果。總的來說，新加坡AI代理的治理模式對於金融領域具有參考價值的重要性。 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://keid.nat.gov.tw/tips/） [1] Monetary Authority of Singapore, Safeguards for Agentic Finance at Runtime (SAFR), https://www.mas.gov.sg/publications/monographs-or-information-paper/2026/safeguards-for-agentic-finance-at-runtime (last visited August 18, 2026). [2] Monetary Authority of Singapore, MAS’ Financial AI Builder Programme - Buildfin.ai, https://www.mas.gov.sg/schemes-and-initiatives/buildfinai(last visited August 18, 2026). [3] 陳益智，新加坡代理AI治理示範框架對我國人工智慧基本法落地的啟示，https://stli.iii.org.tw/article-detail.aspx?no=64&tp=1&d=9511（最後瀏覽日：2026年9月9日）。 [4] Monetary Authority of Singapore, Safeguards for Agentic Finance at Runtime (SAFR) Version 1.0, p. 6. [5] id [6] id [7] id. at 7. [8] id. at 10. [9] id. at 10-11. [10] id. at 11-12. [11] id. at 12-13. [12] id. at 16. [13] 金融監督管理委員會，金管會發布「金融業運用人工智慧(AI)指引」，https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=202406200001&dtable=News（最後瀏覽日：2026年9月9日）。。 [14] 參考（B6）AI自主代理之授權外行為：AI Agent系統具備自主規劃、呼叫外部工具與持續執行複雜任務之能力，可能因目標設定不完整或環境變化，導致行為逐漸偏離原始指令，乃至自主取得超出授權範圍之系統存取權限。多代理人協作系統更可能因代理人間相互觸發，產生開發者與使用者均未預期的連鎖反應，使人類難以及時介入糾正。 [15] 金融監督管理委員會，金管會提醒金融業強化前沿AI模型攻擊風險整備，https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=202607140002&dtable=News（最後瀏覽日：2026年9月9日）。 [16] 經濟日報，金管會推動金融科技 規劃三大監理方向 建立「AI管 AI」新架構，https://money.udn.com/money/story/5613/9486677（最後瀏覽日：2026年9月9日）。