何謂德國KOINNO創新採購中心?
德國KOINNO創新採購中心是由德國經濟暨能源辦事處(Bundesministerium für Wirtschaft und Energie)轄下的倉儲管理、採購與物流經濟協會(Bundesverband Materialwirtschaft,Einkauf und Logistik e.V, BME)所執掌，該協會主要任務為關於政府採購與各領域的物流管理的研發成果技術移轉、促進職業與終生教育的補助與經驗交流，目的在於創造未來趨勢、經濟發展與鼓勵創新。而KOINNO創新採購中心的成立宗旨即是持續提供政府採購的創新來源，並引導具有創新元素的政府採購實踐為成功經驗與最佳練習。
其中政府採購方面，BME在2004年建立該平臺，其功能為提供使研發成果能最佳實踐的對話交流、創造未來發展趨勢與創新、將研發成果技轉給採購機關與提升政府採購的價值。德國慕尼黑國防大學的公共採購法學與管理研究中心(Forschungszenturm für Recht und Management öffentlicher Beschaffung der Universität der Bundeswehr München,FoRMöB)是KOINNO的合作夥伴，同時也是德國唯一以企業經營與法學觀點分析公共採購問題的跨領域研究中心。
本文為「經濟部產業技術司科技專案成果」
美國專利商標局（United States Patent and Trademark Office, USPTO）於2026年3月11日發布備忘錄，聲明專利審理暨訴願委員會（Patent Trial and Appeal Board, PTAB）審查多方複審（inter partes review, IPR）與核准後複審（post-grant review, PGR）立案時，除既有程序與實體因素外，將納入美國本土製造、製造投資及小企業被告等裁量因素。USPTO引用35 U.S.C. §§316(b)、326(b)，說明USPTO局長在IPR/PGR立案時須考量經濟、專利制度完整性、行政效率與法定期限等因素；並補充電子、電腦等製造業外移已涉及經濟安全風險。本備忘錄原則將立即適用於現有裁量中的IPR/PGR案件。 內容要點： 過去立案考量包含： 1.實體因素，如先前技術、是否有平行訴訟、無效理由強弱等 2.裁量因素，如涉及公共衛生等利益、PTAB工作負荷量等 本次新增之裁量因素： 1.被控侵權產品是否在美製造或涉及美國製造投資 2.專利權人競爭產品在美製造比例 3.請求人是否為遭控侵權小企業 製造認定： 1.除最終組裝地外，也看零組件來源、境外後續加工 2.方法請求項則檢視實施該方法之裝置 2025年後，USPTO針對PTAB程序立案程序建立裁量與實體二階審查，擴張了USPTO局長的裁量權。本次備忘錄中，裁量因素進一步連結產業、國安與供應鏈政策，其對於立案與否的實質影響力超越過去廠商主要依賴的實體因素。臺灣廠商應關注USPTO後續如何界定「美國製造」與「實質投資」；若產品、零組件或委託製造合作具美國布局，應保存投資、產線、供應鏈與就業證據，作為專利攻防與PTAB程序中的策略資產。
澳洲修正《澳洲消費者法》，強化數位交易之消費者保護澳洲國會（Parliament of Australia）於2026年7月6日通過《競爭與消費者法不公平交易行為》修正案（Competition and Consumer Amendment (Unfair Trading Practices) Act 2026），修正澳洲全國性之消費者保護規範《澳洲消費者法》（Australian Consumer Law, ACL），針對暗黑模式（dark patterns）、滴漏式定價（drip pricing）及自動續訂等消費者保護議題增訂相關規範，並將自2027年7月1日起施行。 本次修法重點如下： （1）禁止暗黑模式：禁止業者以不當方式誘導消費者交易，例如隱匿重要資訊、以複雜或模糊方式呈現資訊，或透過網頁設計影響消費者選擇等。 （2）防範滴漏式定價：要求業者於交易之初一併揭露基本價格、其他費用及其計算方式，避免業者於交易過程中陸續揭露其他費用，使消費者難以事先掌握實際交易價格。 （3）自動續訂：要求業者於消費者訂閱前，清楚說明收費方式、訂閱期間、自動續訂及取消方式等資訊，並簡化取消程序；提供線上訂閱服務之業者，亦須提供線上取消管道。 新法施行後，預期能進一步保障消費者自主選擇權，提升交易資訊透明度，並降低因資訊不完整或交易設計而影響消費者判斷之情形，以強化數位交易之消費者保護。
強化AI安全防線：八國連署AI與機器學習供應鏈風險管理指南日本國家網路安全辦公室（国家サイバー統括室）於2026年3月5日，代表日本連署了「AI、機器學習供應鏈風險與緩和措施」（Artificial intelligence and machine learning Supply chain risks and mitigations）之國際文書（下稱本文書），並公布本文書內容。本文書是由隸屬於澳洲訊號局（Australian Signals Directorate，簡稱ASD）之澳洲網路安全中心（Australian Cyber Security Centre，簡稱ACSC）主導訂定，主要針對有導入或開發 AI、機器學習系統與元件等需求的組織，揭示其可能存在供應鏈風險與提升整體網路安全之重要性，並就AI開發或採購階段，組織應留意相關風險與可採行之緩和措施。有關連署國家，除了日本與澳洲以外，也包括加拿大、紐西蘭、韓國、新加坡、英國與美國等共八個國家皆已完成連署。 本文書內容強調組織於管理 AI、機器學習等風險時，應將 AI 供應鏈視為整體網路安全戰略的一環，同時評估產品或服務之整體生命週期風險，不應著重於單一技術，而是組織需要掌握整體供應鏈的全貌，包括特定關係事業者、活用AIBOM（AI物料清單，主要用來記錄AI模型相關資產與資訊，提供快速定位與管控AI問題模型功能）或SBOM（軟體物料清單，主要記錄軟體相依元件，用於漏洞管理與供應鏈透明度）、意識到是否已針對AI、機器學習系統可能帶來的風險，進行漏洞管理，以及針對AI、機器學習系統所導致之網路安全事件建立應處機制等。 本文書將AI、機器學習供應鏈風險大致區分為五類：AI 數據、機器學習模型、AI 軟體、AI 基礎設施（含硬體），以及第三方服務，本文書指出AI、機器學習應用於供應鏈時可能產生之風險，其中包括數據品質不良、資料受竄改、模型遭植入惡意程式碼、軟體元件複雜導致難以保證其安全、硬體與韌體擴大攻擊面，以及導入第三方服務致使供應鏈產生弱點等。 此外，本文書也針對各類風險提出可行的因應方法，例如： 1.數據面：需做標準化搜集、外部資料檢疫、資料前處理與完整性驗證。 2.模型面：需從可信來源取得透明模型，實施性能驗證與惡意程式偵測。 3.軟體面：需做完整性驗證、元件審核，並透過 SBOM 掌握已知弱點。 4.硬體面：需確認設備無惡意內容，並在網路中適當分區。 5.第三方服務面：需持續評估與監控供應商的資安實務與脆弱性管理。 總結來說，日本已意識到國家網路安全治理下，針對AI、機器學習的安全，不單是模型安全，而是涉及整體性供應鏈安全。日本藉由與他國連署國際文書，不僅強化國際合作，同時建立供應鏈網路安全共識，因應AI對於國家供應鏈之網路安全挑戰，從資料、模型、軟體、硬體到第三方服務等視角提出具體因應方法，作為全面提升國家整體網路安全環境之參考指引。日本透過強化與他國合作，提升國家網路安全治理之作法，值得我國未來借鏡參考。