保護、分級與言論（上）
邱映曦
資深研究協理 編譯整理
既有建築改善翻新措施─德國政策參考 科技法律研究所 2013年07月11日 壹、事件摘要 內政部於6月20日公布資訊指出，我國為達成環境永續發展之目標，於1999年開始推行綠建築標章評估系統，迄今已有3,943件新建或既有建築，取得綠建築標章或候選綠建築證書，每年皆可有效節水與節電；同時，自2003年起，針對既有中央辦公廳舍及國立大專院校所辦理的改善翻新，亦具有顯著的節能減碳成果。 貳、重點說明 為因應全球暖化與氣候變遷問題，我國針對建築部門推動許多兼顧節能減碳與生態保護的綠建築政策。首先，內政部在1999年針對新建建築之規劃設計，訂定綠建築標章評估系統。行政院另於2001年3月核定「綠建築推動方案」，率先實施對公部門新建及既有建築之綠化工作，內政部並依據該方案實施方針第7條，推動「綠廳舍暨學校改善補助計畫」。接著，為了強化民間產業投入綠建築，行政院再於2008年1月核定「生態城市綠建築推動方案」，依據該方案實施方針第11條「辦理綠建築更新診斷與改造計畫」，繼續推動既有中央辦公廳舍及國立大專院校建築物之改善翻新。此外，為鼓勵民間既有建築參與綠建築改善，並於100年1月訂定內政部獎勵民間綠建築示範作業要點。 由上述政策發展可以看出，我國既有建築之改善翻新，乃循公部門先帶頭示範，再輔以對民間建築給予獎勵補助，與歐美等先進國家政策推動模式一致。 參、事件評析 根據統計，我國既有建築約佔全國建築總量97%，這些早期建造的建築物，於設計規劃之初皆未納入綠建築之概念。因此，雖然許多既有建築仍舊堪用，但建築本身卻普遍存在著高耗能問題。這使得推動既有建築進行改善翻新，提升其能源效率，成為一重要議題。而依內政部公布之資訊，公部門既有建築改善翻新獲得卓越之成效，確實令人欣喜。然而，公部門既有建築畢竟仍屬少數，故如何推動民間既有建築進行改善翻新，會是我國落實綠建築政策的關鍵。在此，本文將介紹德國政府之相關政策，希望能供我國作參考。 在既有建築改善翻新政策中，德國政府同樣先要求公部門建築必須進行改善翻新，以逐年降低其能源消耗量。與此同時，德國政府也認知到有超過75%的既有建築，至今仍未進行改善翻新。因此德國交通、建築暨都市發展部（Bundesministerium für Verkehr, Bau und Stadtentwicklung, BMVBS，簡稱交通部）推出了降低二氧化碳排放的建築改善翻新方案，不僅給予補助，更與德國復興信貸銀行（Kreditanstalt für Wiederaufbau, KfW）合作，提供改善翻新的低利率貸款。 今年6月1日，為了促進民眾積極採取「具體的」改善翻新行動，交通部與德國聯邦經濟暨技術部（Bundesministerium für Wirtschaft und Technologie, BMWi，簡稱經濟部）共同推出建築節能改善翻新的線上評估服務。讓民眾即使在家中，也可以進行節能與節省成本的行動。 該線上評估服務分為三大步驟，首先，必須輸入建築物的狀態。接著，便可以選擇欲改善翻新的項目及措施。最後，系統會產生整體改善翻新的結果，包括改善翻新前後的能源需求狀態、二氧化碳排放量，以及改善翻新所需經費，並提供聯邦、邦政府財政補助及KfW貸款方案的連結。 德國政府希望藉此向民眾傳達改善翻新的好處，在於節能、節省長期的能源成本，並增加建築物之價值。儘管德國政府在此線上評估服務網站上表明，評估結果僅供參考，並無法取代專業能源顧問的具體評估建議。然而，事先透過簡單、便利的線上評估，不僅增加民眾對於既有建築改善翻新的瞭解及興趣，更是進一步驅動民眾尋求專業評估的動力。 由此可知，節能減碳若要具體落實，全面性的規劃絕對是必要的。我國若能以德國的政策為借鏡，給予民眾更多關於既有建築改善翻新的協助，提供更多資訊。相信可以鼓勵更多民眾自主投入既有建築節能之行列，使我國綠建築政策獲得全面性的落實。
芬蘭Skene計畫聚焦電玩遊戲產業依據統計，2011年全球電玩遊戲產值約516億歐元，是娛樂產業中成長最快速的領域，行動遊戲（mobile gaming）也因智慧型手機普及率之提升，在其中扮演舉足輕重的角色。有鑒於此，芬蘭政府於今（2012）年啟動Skene－遊戲補給計畫（Skene－Game Refueled，以下簡稱Skene計畫）促進其遊戲產業的研發創新。 Skene計畫預計從今（2012）年起實施至2015年，將投入7000萬歐元資金補助，其中3000萬歐元由芬蘭的創新補助機關－國家技術創新局（teknologian ja innovaatioiden kehittämiskeskus，Tekes）提供。該計畫致力於創造國際級遊戲及娛樂聚落的形成，期能使芬蘭企業成為國際遊戲產業生態中的重要成員。芬蘭政府欲藉由此一計畫，突破芬蘭Rovio公司過往開發「憤怒鳥」（angry bird）遊戲之偶發性的成功模式，讓芬蘭遊戲產業獲得長期永續的商業效益。Tekes於本計畫中特別強調知識分享的重要，認為此計畫的核心目的在於促進相關知識或經驗，得以在研究機構的專家、遊戲公司乃至其他產業間有系統的傳遞。 事實上芬蘭推動Skene計畫之動機，除了著眼於遊戲產業本身所帶來的龐大商業效益外，也看到遊戲開發過程中產出工具在其他產業之模型、模擬實驗、使用者介面設計及傳統軟體開發方面之助益（例如在醫療照護產業、運算服務之運用或協助教育環境建構或運動訓練等）。由此觀之，芬蘭政府透過Skene計畫推動遊戲產業研發創新之考量，尚包括帶動其他產業之提升的深遠思考。 近年來我國遊戲產業在商業上的表現逐漸受到各界重視，在此背景下，芬蘭Skene計畫無論在具體作為及其背後的思維模式上，皆有我國可以參考借鏡之處。
Deloitte 智財調查報告指出企業多重視營業秘密但缺乏管理意識與具體管理措施據2024年1月5日IAM報導（下稱IAM報導）依據Deloitte 2023年的研究報告（Deloitte IP 360 Survey）指出大部分的企業雖然有認知到營業秘密對於企業而言承載重大的價值，但仍通常缺乏管理的意識和具體措施，然而對於企業來說營業秘密管理卻是具有重要性的。 IAM報導綜整了一篇Deloitte 2023年的研究報告（Deloitte IP 360 Survey，下稱系爭報告），其針對橫跨15個國家、5大產業共57間公司的智慧財產管理成熟度進行調查分析，系爭報告指出大部分的企業針對專利、商標等註冊取得之智慧財產權多擁有成熟且全面的管理措施，但針對其他難以發現的無形資產（“hard-to-find” intangibles），如營業秘密、資料、know-how等，通常缺乏管理的意識和措施，例如：大約有29%的受訪者表示企業「未積極地捕獲」（原文為actively capture，大意指識別、管理和保護）營業秘密；約14%的受訪者表示企業未建立標準化流程或方針以識別營業秘密。並且，針對營業秘密的具體管理作法，IAM報導特別著重以下三點： 1.主動監測：僅僅只有25%的受訪者表示，企業有主動監測營業秘密之產出，並具有相關管制措施。 2.教育訓練：有42%的受訪者表示未受過營業秘密意識的訓練（trade secret awareness training）。IAM報導特別指出，若員工對於營業秘密的範圍以及重要性沒有概念，則營業秘密管理機制的建立也會失去其意義。 3.離職面談：即使有相當大比例的營業秘密訴訟源於離職員工，但在既有離職面談中是否有納入營業秘密意識訓練的調查上，僅有不到一半（47%）的受訪企業表示有做，24%的企業表示沒有做，還有29%的企業不確定是否有做。 綜上所述，系爭報告提出，許多企業在營業秘密的管理上仍有很大的進步空間，並提醒，在訴訟上只有營業秘密擁有者採取「合理保密措施」（包括建立標準化機制）來保護營業秘密時，在法律上才能獲得更大的保護以及獲得損害賠償的機會。 針對營業秘密管理制度建置，企業可參考資策會科法所發布之「營業秘密保護管理規範」，該規範從識別營業秘密開始，到營業秘密使用管理、員工管理（包含人員進用離職時應採取措施、教育訓練）等均有相關要求，可協助企業透過PDCA循環建置系統性營業秘密規範，補足缺乏的營業秘密管理意識和具體保密措施。 本文同步刊登於TIPS網（https://www.tips.org.tw）
英國發布人工智慧網路資安實務守則英國政府於2025年1月31日發布「人工智慧網路資安實務守則」（Code of Practice for the Cyber Security of AI，以下簡稱「實務守則」），目的是提供人工智慧（AI）系統的網路資安指引。該實務守則為英國參考國際上主要標準、規範後所訂定之自願性指引，以期降低人工智慧所面臨的網路資安風險，並促使人工智慧系統開發者與供應商落實基本的資安措施，以確保人工智慧系統的安性和可靠性。 由於人工智慧系統在功能與運作模式上與傳統網路架構及軟體有明顯的不同，因此產生新的資安風險，主要包含以下： 1. 資料投毒（Data Poisoning）：在AI系統的訓練資料中蓄意加入有害或錯誤的資料，影響模型訓練結果，導致人工智慧系統產出錯誤推論或決策。 2. 模型混淆（Model Obfuscation）：攻擊者有意識地隱藏或掩飾AI模型的內部運作特徵與行為，以增加系統漏洞、引發混亂或防礙資安管理，可能導致AI系統的安全性與穩定性受損。 3. 輸入間接指令（Indirect Prompt Injection）：藉由輸入經精心設計的指令，使人工智慧系統的產出未預期、錯誤或是有害的結果。 為了提升實務守則可操作性，實務守則涵蓋了人工智慧生命週期的各階段，並針對相關角色提出指導。角色界定如下： 1. 人工智慧系統開發者（Developers）：負責設計和建立人工智慧系統的個人或組織。 2. 人工智慧系統供應鏈（Supply chain）：涵蓋人工智慧系統開發、部署、營運過程中的的所有相關個人和組織。 實務守則希望上述角色能夠參考以下資安原則，以確保人工智慧系統的安全性與可靠性： 1. 風險評估（Risk Assessment）：識別、分析和減輕人工智慧系統安全性或功能的潛在威脅的過程。 2. 資料管理（Data management）：確保AI系統整個資料生命週期中的資料安全及有效利用，並採取完善管理措施。 3. 模型安全（Model Security）：在模型訓練、部署和使用階段，均應符合當時的技術安全標準。 4. 供應鏈安全（Supply chain security）：確保AI系統供應鏈中所有利益相關方落實適當的安全措施。 「人工智慧網路資安實務守則」藉由清晰且全面的指導方針，期望各角色能有效落實AI系統安全管控，促進人工智慧技術在網路環境中的安全性與穩健發展。