自動駕駛車輛之分級與責任
所謂自動駕駛（autopilot），原來是指一個用來控制載具軌道而無需人工一直干預的系統，亦即無須人類持續干預，但人類仍須於關鍵時刻介入進行決定或作為，此時機器僅作為輔助。
而自動駕駛汽車或稱全自動駕駛，則只完全無須人類干預，由機器自動感應偵測，自動做成決策控制車輛行駛。故由人類的介入程度區別究竟是駕駛輔助或自動駕駛。美國國家公路交通安全管理局（NHTSA）於2016年已提出正式的分類系統，除手動駕駛（0級）外，區分弱駕駛輔助（1級）、部分自動駕駛（2級）、有條件全自動（3級）、高度/完全自動化（4級）不同程度的自動駕駛。其他國家如德國，在聯邦政府的「自動駕駛圓桌會議」也對自動駕駛有類似的四等級區分。
德國聯邦政府也在於2017年1月25日提出規範自動駕駛之法律草案，亦即道路交通法修正法（Änderung des Straßenverkehrsgesetzes），核心在於賦予電腦與人類駕駛者法律上同等地位。亦即，駕駛人的定義未來擴張延伸到「使用不同程度自動駕駛系統者」。根據草案將來在車輛行駛中，人類可以在特定時間與特定狀況下接管整個行駛。而最重要的修正：人類始終應該負使用電腦的最終責任。
故在行駛中駕駛人將會被輔助機器替代，更要求自駕系統應該具備“隨時可以由駕駛人接手操控或停俥”的功能。 分類中，駕駛人的角色只有到全自動駕駛實現時才退場，屆時才會發生無駕駛人只有乘客的狀況。
修法也重視自駕技術失敗並導致事故所生責任分擔的問題。對於責任的調查將採用如同飛航安全中之「黑盒子」的方式，該裝置會記錄行駛中的所有基本資料。這將有助於發生事故後澄清，查明究竟是技術上原因、製造商或駕駛員的過失，以確保駕駛人無法將責任全部推給自動化系統的故障。
本文為「經濟部產業技術司科技專案成果」
洪政緯
法律研究員 編譯整理
日本國土交通省（国土交通省）於2021年6月25日公布「無人機載運貨物指引2.0」（ドローンを活用した荷物等配送に関するガイドラインVer.2.0）。2021年3月公布之「無人機載運貨物指引1.0（法令編）」（ドローンを活用した荷物等配送に関するガイドラインVer.1.0（法令編））係針對涉及之相關法令進行彙整，而本次則聚焦於應用方面進行詳細說明。 本指引首先於第一編指出，在引進物流無人機前，業者應先盤點該地區存在的課題，並確認無人機是否能有效解決該問題，接著嘗試提出具體解決方案，如拉長無人機飛行距離、增加使用次數，或建立可多次往返的飛行航道以增加使用頻率等。在初步確立無人機業務藍圖後，業者尚須設定物流無人機服務之目標受眾，並聯繫可提供貨物之商店及無人機業者，著手建立相關服務之運作模式。此外，為順利推動物流無人機服務，還需提高民眾對物流無人機之社會接受度，以獲得當地居民的理解及支持。最後，為確保飛航安全，業者除遵守本指引第二編所列相關法令飛行外，亦應制定安全飛行操作手冊，審慎評估起降地點之安全性，並建立一套安全管理系統。
美國5G科技加速方案（5G FAST Plan）美國5G科技加速方案（Facilitate America’s Superiority in 5G Technology，簡稱5G FAST Plan）是美國聯邦通訊委員會（Federal Communications Commission，簡稱FCC）為激勵5G投資創新、強化美國5G技術優勢，於2018年9月28日所提出的方案，著重在5G三大發展面向包括：投入更多頻譜進入市場、基礎建設及政策升級、更新監管法規等。其中，美國5G科技加速方案（5G FAST Plan）針對過時法令的現代化，共提出五點更新方向，促進美國人的數位機遇與挑戰。 一、 恢復網路自由：為鼓勵投資和創新，確保網路的開放自由。FCC通過《恢復網路自由命令》，廢除網路中立性。 二、 One Touch Make Ready： FCC更新網路設備安裝到公用電線桿的規則，降低成本並加快5G傳輸部署。 三、 加速智慧財產權轉型：FCC修訂規則促進企業投資5G網路與服務。 四、 商業數據服務：為激勵對現代光纖網路建設的投資，FCC更新高速專用服務規則並提高費率。 五、 供應鏈完整性：禁止購買會威脅美國5G通訊網路及通訊供應鏈完整性的設備與服務。 另一方面，2019年4月12日，FCC主席Ajit Pai前往白宮與總統會談時，再次強調美國必須贏得第五代行動通訊技術競賽，主要有兩個關鍵原因：首先是提升國家競爭力，透過開發並部署5G技術等高薪工作，提升美國經濟水平，進而超越其他競爭國家；再者，發展5G將徹底改變人類的生活方式，從精準農業、智慧交通再到遠端醫療網路，包含農村在內的所有美國民眾，都將受益於這場5G數位革命。 FCC擬定的美國5G科技加速方案（5G FAST Plan），未來發展重點聚焦如下： 一、 釋出5G頻譜以供商業使用：FCC已在2019年1月完成第一次的5G頻譜拍賣，並進行第二次及2019年12月10日第三次的5G頻譜拍賣，開放競標3400兆赫茲，將會是美國歷史上最大的頻譜競標。 二、 簡化5G無線基礎建設審查：5G運作必須依靠小型基地台（Small Cell），FCC透過更新無線通訊基礎設施政策，簡化聯邦與地方對於小型基地台部署審查，加速推動5G無線網路服務覆蓋範圍。 三、 積極鼓勵光纖部署：5G不僅是無線技術，要將5G應用在無人機飛行，還需要更強大的光纖網路傳輸流量。FCC近來致力於鬆綁嚴厲的監管規定，希能逐步增加更多的光纖部署地點。 此外，為鞏固美國在國際的5G競爭實力、部署國家未來的5G基礎建設，FCC預計建立一規模達204億美元的農村數位機會基金，將高速頻寬拓展至美國農村地區多達400萬戶家庭及中小企業，5G技術將為美國帶來更多的經濟機會。FCC表示，從國際條約談判到急需的監管改革，美國政府將以多種方式推展5G願景，提升國家經濟及產業競爭力，改善人民生活並尋求全新的生活模式，為此美國必須贏得第五代行動通訊技術競賽。
美國對於智慧聯網 IoT 環境隱私保障展開立法工作有鑒於智慧聯網IoT環境下，許多智慧型手持裝置及行動通訊裝置，大量蒐集消費者資訊之隱私權暨資訊安全考量，美國國會於2013年5月10日提出「應用軟體隱私暨資訊安全保護法草案」（Application Privacy, Protection, and Security Act of 2013, APPS Act of 2013, H.R. 1913）進行審議。「應用軟體隱私暨資訊安全保護法草案」草案針對應用軟體（Application）在蒐集消費者資訊前，如何落實「同意」機制，乃強制行動通訊裝置應用軟體開發商（developer）應：（1）提供使用者個人資料蒐集、使用、儲存及公開之通知（notice），而該通知含括所蒐集個人資料之種類、使用目的、有償公開第三者之類別及資料儲存等；（2）取得使用者之同意（consent）；消費者依據該草案亦有權撤銷其「同意」（withdrawal of consent）。此外，草案乃強制要求該行動通訊裝置應用軟體開發商，就非法近取之個人資料及經去識別化應用軟體蒐集之個人資料，應採取合理及適當之防衛措施（security measures on personal data and de-identified data）。 並且，針對網路環境下隱私權保護議題，更早之前，美國國會於2013年2月28日提出「線上禁止追蹤法草案」（Do-Not-Track Online Act of 2013） 進行審議。「線上禁止追蹤法草案」草案乃要求聯邦貿易委員會（FTC），就透過個人線上活動追蹤，以蒐集、使用個人資料之行為態樣，進行管制。該管制模式謹據以要求如下：（1）被搜集資料個人應收到簡單、明確、並載明資料使用目的之通知（clear, conspicuous and accurate notice and use of such information），而個人就該通知應予明白之同意（affirmative consent）；（2）FTC未來在訂定標準規範時，應（shall）考量所被搜集之資料，是否在匿（隱）名基礎上處理之，遂該資料無法有效被聯結（指認）到特定個人或裝置上；此外，消費者當享有資料不被蒐集的權利（expressed preference by individual not to have personal information collected）。該草案並就違反之個人，設定最高15,000,000美元損害賠償規定。
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）