強制蒐集人體生物資料的人權標準－聯合國人權事務委員會的見解
歐盟執委會（European Commission, EC）於2021年6月21日發布2021歐洲創新計分板報告（European Innovation Scoreboard 2021, EIS），其以「整體架構條件」（Framework conditions）、「投資」、「創新活動」和「影響力」（Impacts）四大評比指標，其下再細分為12個次標和32個子標，次標例如人力資源、企業創新、就業影響力等；子標則例如政府部門研發創新支出、企業專業職能訓練、專利與商標申請、高科技產品出口等。相較於2020年創新計分板報告的10個次標和27個子標，本次新增2個次標為列屬在「投資」下的資通訊運用（Use of information technologies），以及在「影響力」下的環境永續。資通訊使用廣度又可分為（1）企業是否提供教育訓練以提升員工的資通訊技能、（2）是否聘用資通訊專家。而環境永續下又可細分為（1）資源生產力（Resource productivity）、（2）產業排放PM2.5狀況、（3）環境相關技術發展狀況；以上即為今年新增的5項子標。 歐洲計分板依前述指標將歐盟會員國創新表現分為四組，2021年綜合創新能力分別為：（1）創新領導者（Innovation Leaders）：包含瑞典、芬蘭、丹麥、比利時，為創新表現大於歐盟成員國平均創新度，且超過25%以上者；（2）優秀創新者（Strong Innovators）：包含荷蘭、德國、盧森堡、奧地利、法國等，創新表現大於歐盟成員國平均但不超過25%者；（3）中等創新者（Moderate Innovators）：包含義大利、馬爾他、西班牙、葡萄牙等國，其創新表現小於歐盟平均者；以及最後一組（4）新興創新者（Emerging Innovators）：包含匈牙利、波蘭、羅馬尼亞等，為創新表現低於歐盟平均之70%。其中第四組新興創新者為新名稱，以取代2020年的適度創新者（Modest Innovators），且今年共有7個國家落入第四組，相比2020年的2個國家還要增加許多。 此外，在各特定領域上，該報告亦有對不同國家進行排名。例如在數位化領域，表現最好者為丹麥、芬蘭、荷蘭。在企業投資部分，以德國、瑞典和比利時為最佳。而在全球綜合創新表現上，歐盟綜整OECD和世界銀行的數據分析，南韓為創新表現最佳，其次才是加拿大、澳洲、美國、日本和歐盟。歐盟於2020年之創新排名領先美國，但在2020年到2021年之間，美國之中小企業產品與流程創新大幅增長至2020年的兩倍，故創新排名從第6進步到第4。
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）
美國先進製造國家計畫辦公室於今年(2015) 6月10日研提現況檢討報告與相關政策資料為檢視國內先進製造業復甦與計畫推進之近況，美國先進製造國家計畫辦公室（Advanced Manufacturing National Program Office, AMNPO）於今年(2015) 6月10日研提現況檢討報告與相關政策資料，該項報告主要可歸結「國內產業現況」、「計畫執行成效」與「法制組織」等重要面向 ，茲就該項報告之重點摘要如下： (一)國內先進製造產業現況檢視： 報告指出美國目前正喪失在先進產品領域全球領導地位，在進出口貿易呈現嚴重赤字，雖近年致力於先進製造之資源整合與共同研發等措施，然而，觀察基礎科研端到市場端仍存有落差。 (二)先進製造領域已設立45個研發創新中心： 研發創新中心為產業與學研機構共構之「區域應用性組織」，主要由學術研究聯盟、企業和區域管理機構所組成專注於扶持區域具經濟優勢之新興技術研發，發展在地技術能量。先進製造領域，截至目前為止，已設立45個研發創新中心。除透過研發創新中心之扶持外，另可透過中心之設立選定各該重點關鍵技術發展，間接培育美國各區域之先進製造技術之專業領域。美國境內研究型大學或非營利組織皆得提案申請，而獲選之區域創新研究機構可獲得聯邦政府5至7年資金補助，政府欲透過補助模式，扶持區域新創機構之自主運作與發展。而於七年發展階段後，該機構將形成財政自主，由該機構之行政委員會主導研發資金運用與分配。