保護、分級與言論（上）
邱映曦
資深研究協理 編譯整理
為了全力打造英國成為「FinTech 全球領導者地位」，及引領FinTech 國際監管規則的大國，英國金融業務監理局（Financial Conduct Authority, FCA）於2014年10月啟動了金融科技創新計畫（Project Innovate），目的就是能夠追蹤進入金融市場的新興商業模式，其中最重要的建立監理沙盒制度（Regulatory Sandbox），旨在提供企業可以在安全空間內對創新產品、服務、商業模式等進行測試，而不會立即招致參與相關活動的所有監管後果。 金融科技創新計畫增設創新中心（Innovation Hub），為創新企業提供與監管對接等各種支持。 金融科技創新計畫通過促進破壞式創新鼓勵挑戰現有的商業模式，而創新中心主要透過政策與金融科技業者交流，了解是否監管政策能夠更好的支持創新。
歐盟執委會發布2024年的能源聯盟現狀報告，概述歐盟能源政策的進展以及挑戰歐盟執委會於2024年9月11日發布「2024年的能源聯盟現狀報告」（State of the Energy Union Report 2024），說明歐盟近年來在能源政策方面的發展，以及未來需要面對的挑戰。其中三項重點內容及近期後續發展如下： （1） 歐盟減碳和再生能源發展成果顯著 歐盟的溫室氣體排放量從1990年到2022年減少了32.5%，而同期歐盟經濟則增長了約67%；且於再生能源發展方面，風力發電成為歐盟第二大電力來源，僅次於核能。2024年上半年，再生能源占歐盟發電量的50%，超越歐盟所有化石燃料的總發電量。不過，歐盟仍需要加強能源效率措施，以實現到2030年最終能源消耗量減少11.7%的目標。 今（2025）年1月23日，英國智庫Ember報告指出，綜觀2024年，太陽光電已占歐盟發電量的11%，首度超越燃煤發電（10%），自綠色政綱（European Green Deal）頒布以來，風電與光電所增加的發電量，已助歐盟減少近590億歐元的化石燃料進口。 （2） 歐盟已降低對於俄羅斯的能源依賴 歐盟已大幅減少對俄羅斯天然氣的進口依賴，從2021年的45%降至2024年6月的18%，同時增加了從挪威和美國等可靠合作夥伴的進口；並將繼續支持烏克蘭，幫助其穩定電力系統，並通過捐款和資金援助其能源部門。而烏克蘭於今年停止俄羅斯天然氣借道輸送至歐洲後，波羅的海三國：立陶宛、拉脫維亞和愛沙尼亞亦決議脫離俄羅斯電網，連接歐洲大陸電網和能源市場。 （3） 歐盟將持續推動淨零相關政策 歐盟致力在淨零轉型過程中賦予能源消費者權利，通過新的能源市場法規保護消費者，確保其能負擔得起能源之使用，並提供社會氣候基金等支持；而為持續增強能源安全和競爭力，歐盟需要加快淨零技術的發展，加強與工業界的合作，並妥善利用創新基金等工具。而同（2024）年12月歐盟即以創新基金挹注46億歐元，加速綠氫、儲能、熱泵、電動車電池和等技術開發，並與歐洲投資銀行共同宣布以現代化基金投資29.7億歐元，支援會員國的潔淨工業部門；今年1月則在跨歐洲能源基礎設施 （Trans-European Networks for Energy Regulation, TNE-E）的政策架構下，投資跨國能源基礎建設逾12 億歐元，包含海上及智慧電網、氫能及碳封存之基礎設施等計畫。
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）
德國車輛及其系統新技術研發計畫德國經濟與能源部於2017年11月公布車輛及其系統新技術補助計畫期中報告，補助的研究計畫聚焦於自動駕駛技術及創新車輛技術兩大主軸。 在自動駕駛研究中，著重於創新的感測器和執行系統、高精準度定位、車聯網間資訊快速，安全和可靠的傳輸、設備之間的協作、資料融合和處理的新方法、人機協作、合適的測試程序和驗證方法、電動汽車之自動駕駛功能的具體解決方案。其中以2016年1月啟動的PEGASUS研究項目最受關注，該計畫係為開發高度自動化駕駛的測試方法奠定基礎，特別是在時速達130公里/小時的高速公路上。 在汽車創新技術的研究發展上，著重於公路和鐵路運輸如何降低能源消耗和溫室氣體排放，包括透過交通工具輕量化以提高能源效率、改善空氣動力學之特性、減少整體傳動系統的摩擦阻力、創新的驅動技術。另外，也特別注重蒐集和利用在車輛操作期間產生的資料，例如在於操作和駕駛策略的設計，維護和修理，或車輛於交通中相互影響作用。 本報告簡介相關高度實用性技術研究計畫，同時展望未來研究領域，以面對現今產業數位化的潮流和能源效率及氣候保護的發展的新挑戰，因此，資通訊技術、自動控制技術以及乾淨動力來源技術，將會是未來交通領域研究的重點。