淺談攻擊性商標
對於商標權之內容是否涉及對特定人士的產生不快或冒犯，以及國家是否有權禁止其註冊為商標之問題，我國法係在商標法第30條第1項第7款中規定，商標妨害公共秩序或善良風俗者，不得註冊；並經由經濟部智慧財產局訂定「商標妨害公共秩序或善良風俗審查基準」，建立認定準則，並認為應「考量註冊當時之社會環境，並就其指定使用商品或服務市場之情況、相關公眾之認知等因素綜合判斷」。
而在美國法中，亦有 Lee v. Tam一案，針對美國專利商標局 (United States Patent and Trademark Office, USPTO)是否有權依照 The Lanham Act第2條a款規定駁回商標申請的權利進行爭執，該條規定「包含不道德、欺騙、誹謗性、貶損或誤導他人(不論生死)、組織、信仰或國家象徵等意涵、或導致前者名譽受損之圖案，不可註冊為商標」。
該案在2015年12月22日於美國聯邦巡迴上訴法院進行判決，法院認為，儘管是具攻擊性的歧視言論，亦受到美國聯邦憲法第一修正案所保障，故美國政府不得以商標圖案的言論內容具攻擊性為理由，拒絕商標的註冊。本案經上訴於美國聯邦最高法院，最高法院於2016年9月29日已經同意其提起上訴，將對本案進行審理。
本文為「經濟部產業技術司科技專案成果」
李祖劭
法律研究員 編譯整理
日本國土交通省（下稱「國交省」）於2021年2月9日公布「基礎建設之數位轉型政策（インフラ分野のデジタル・トランスフォーメーション施策）」。此報告係國土交通省基礎設施DX推進本部（国土交通省インフラ分野のDX推進本部）於2021年1月所舉行第三次會議所彙整之政策方針。 針對基礎設施數位轉型之政策實施主要分為四個面向：第一部分強調透過行政程序數位化及網路化，藉以提升效率並加強管理效能，並且提供運用數位生活中各項服務，以增加生活之便利與安全。第二部分說明為實現安全與舒適之勞動環境，減少人工作業之負擔，未來欲活用AI與機器人，使施工作業與技術建設達到無人化，並透過數位化提高專業技術學習效率以培育相關人才。第三部分聚焦於調查、監督檢查領域，如公路、鐵路、河川及機場之檢修，利用資料分析與自動化機械提升日常管理及檢修效率。最後，為順利推行以上數位轉型政策，必須建構能支援數位化的社會。因此，未來除須結合智慧城市（スマートシティ）等數位創新政策，利用資料以具體化社會課題之解決方針外，亦須針對作為數位轉型基礎之3D資料進行環境整備，以利數位轉型之推動。
部落格及其法律問題之初探 FDA發佈人工智慧/機器學習行動計畫美國食品藥物管理署（U.S. Food & Drug Administration, FDA）在2021年1月12日發布有關人工智慧醫療器材上市管理的「人工智慧/機器學習行動計畫」（Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan）。該行動計畫的制定背景係FDA認為上市後持續不斷更新演算法的機器學習醫療器材軟體（Software as Medical Device, SaMD），具有極高的診療潛力，將可有效改善醫療品質與病患福祉，因此自2019年以來，FDA嘗試提出新的上市後的監管框架構想，以突破現有醫療器材軟體需要「上市前鎖定演算法、上市後不得任意變更」的監管規定。 2019年4月，FDA發表了「使用人工智慧/機器學習演算法之醫療器材軟體變更之管理架構—討論文件」（Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine earning (AI/ML)-Based Software as a Medical Device (SaMD) - Discussion Paper and Request for Feedback）。此一諮詢性質的文件當中提出，將來廠商可在上市前審查階段提交「事先訂定之變更控制計畫」（pre-determined change control plan），闡明以下內容：(1)SaMD預先規範（SaMD Pre-Specification, SPS）：包含此產品未來可能的變更類型（如：輸入資料、性能、適應症）、變更範圍；(2)演算法變更程序（Algorithm Change Protocol, ACP）：包含變更對應之處理流程、風險控制措施，以及如何確保軟體變更後之安全及有效性。 根據「人工智慧/機器學習行動計畫」內容所述，「事先訂定之變更控制計畫」構想被多數（包含病患團體在內）的利害關係人肯認，並於相關諮詢會議當中提出完善的細部建言。FDA將根據收到的反饋意見，於2021年以前正式提出有關人工智慧/機器學習上市後監管的指引草案（Draft Guidance），並持續研究提高演算法透明度、避免演算法偏見的方法。