Uber竊取Waymo無人車技術機密一案，法院裁定返還1.4萬筆機密資料
Waymo是Google旗下發展無人車技術的公司，其員工Anthony Levandowski（以下簡稱Levandowski）於2016年2月離職並成立自動駕駛卡車公司Otto，而Uber於同年8月以6.8億美元併購該公司，Levandowski則任職於Uber的自動駕駛車部門。
Waymo在收到供應商誤發的電子郵件發現內含Uber的光學雷達（以下簡稱LIDAR）電路板工程圖，據Waymo表示，LIDAR是一種發展自動駕駛不可或缺的雷射感測器，該工程圖與Waymo設計的工程圖非常相似，此為工程師投入上千小時並投入數百萬美元研發而成。Waymo因而於今（2017）年2月對Uber提出告訴，主張Uber竊取其營業秘密與智慧財產，並表示Levandowski離開Waymo前曾使用私人硬碟下載公司上千筆機密資料，尚包括數名離職員工亦曾下載機密資料，且目前都任職於Uber。
今（2017）年5月美國加州北區聯邦地方法院依Waymo提出的有利證據，包含Uber明知或應知Levandowski握有1.4萬筆與Waymo智財相關的機密資料仍聘僱其為員工；且有完整紀錄顯示Levandowski離職前曾下載Waymo機密文件。因此裁定要求Uber限制Levandowski與相關員工使用與本案相關的LIDAR技術，且須於今年5月31日前返還Waymo，其中包含會議紀錄和Levandowski與相關員工電話紀錄。惟Uber仍可持續發展其自動駕駛技術，但賦予Waymo的律師及技術專家有權監視Uber未來的商業發展，並要求Uber必須在同年6月前調查Levandowski完整的LIDAR技術書面與口頭溝通紀錄，並提交給Waymo。
另方面，Waymo在此同時也宣布與Uber在美國的主要競爭對手Lyft建立自動車駕駛員的合作夥伴關係，挑戰Uber乘車服務的市場地位。本案將於今年6月7日進行審判程序，後續值得持續關注。
- Uber and Waymo face off in court over stolen self-driving tech, CNN TECH, May 3, 2017
- Uber must return stolen Waymo files, can continue self-driving work: U.S. judge , REUTERS, May 15, 2017
- Google's Waymo sues Uber over self-driving car technology, CNN TECH, Feb. 24, 2017
- Lyft and Waymo team up on self-driving cars, while a judge deals Uber a blow, THE WASHINGTON POST, May 15, 2017
- Lyft and Waymo are ganging up against Uber, NEW YORK POST, May 15, 2017
- Waymo Gains Edge Over Uber as Driverless-Car Case Heads to Trial, BLOOMBERG TECHNOLOGY, May 16, 2017
- Court Schedule, U.S. DISTRICT COURT, NORTHERN DISTRICT OF CALIFORNIA, May 25, 2017
林昭如
專案經理 編譯整理
Uber and Waymo face off in court over stolen self-driving tech, CNN TECH, May 3, 2017, http://money.cnn.com/2017/05/03/technology/uber-waymo-self-driving-cars/ (last visited May 22, 2017).
Uber must return stolen Waymo files, can continue self-driving work: U.S. judge , REUTERS, May 15, 2017, http://www.reuters.com/article/us-uber-alphabet-ruling-idUSKCN18B1W6 (last visited May 22, 2017).
Google's Waymo sues Uber over self-driving car technology, CNN TECH, Feb. 24, 2017, http://money.cnn.com/2017/02/23/technology/waymo-uber-google-lawsuit/ (last visited May 22, 2017).
Lyft and Waymo team up on self-driving cars, while a judge deals Uber a blow, THE WASHINGTON POST, May 15, 2017, https://www.washingtonpost.com/news/the-switch/wp/2017/05/14/lyft-and-waymo-just-teamed-up-on-self-driving-cars-taking-aim-at-a-common-enemy/?utm_term=.f267d71e5866 (last visited May 22, 2017).
Lyft and Waymo are ganging up against Uber, NEW YORK POST, May 15, 2017, http://nypost.com/2017/05/15/lyft-and-waymo-are-ganging-up-against-uber/ (last visited May 22, 2017).
Waymo Gains Edge Over Uber as Driverless-Car Case Heads to Trial, BLOOMBERG TECHNOLOGY, May 16, 2017, https://www.bloomberg.com/news/articles/2017-05-15/waymo-gains-edge-over-uber-as-driverless-car-case-heads-to-trial (last visited May 25, 2017).
Court Schedule, U.S. DISTRICT COURT, NORTHERN DISTRICT OF CALIFORNIA, May 25, 2017, http://www.cand.uscourts.gov/CEO/cfd.aspx?7137#Notes (last visited May 25, 2017).
開放科學的基本理念，泛指在數位時代的背景下，各類型實驗測量機器獲得大量數據，以及網路行為累積的人類活動記錄，使各領域的研究活動趨向側重資料處理，結合分析工具後，以可閱讀的形式呈現並發表。 開放科學概念應用於行政與制度建立上，主要有兩個面向，其一為政府資助產出科學期刊論文等研究成果的開放取用（open access），意圖解決期刊雜誌訂閱費用過高，導致研究成果流通困難的問題，屬於早期開放科學關注的重點；其二則係使用官方研究資金進行研發時，於研究過程中取得的實驗、觀測及調查之研究資料開放運用，為近期政策與制度性倡議所聚焦，目的為使科學界、產業界以及一般社會大眾得以廣為接收並利用該些研究結果，令政府資金運用的一切成果均能充分回饋給國民與社會，期望藉由研究資料的公開，進一步深化該領域的研究進程、推展跨域研究或企業的產品與服務開發、以及創新活動。 舉例而言，日本內閣府於2018年提出的「統合創新戰略（統合イノベーション戦略）」第二章內，建構了國內開放科學下研究資料管理開放政策之基礎框架，關注伺服器空間內的研究資料保存與管理，與外國研究資料連動以建構巨量知識泉源，讓所有人得以廣泛活用該些研究資料，促成與加速跨領域與跨國境的新創。
保護、分級與言論（上） 何謂「專利審查高速公路」?「專利審查高速公路(Patent Prosecution Highway, PPH)」係指專利審查機關加速專利審查之程序。藉著各國專利局間合約之簽署，當某專利申請在第1間專利局取得至少1請求項(claim)之核准後，申請人得請求加速第2間專利局就該已經核准之請求項之審查程序。申請人得縮短取得專利之期間，參與之專利局亦得藉著利用第1間審查之專利局已有資料，降低審查工作之負荷。但此並不代表於第1間專利局獲准之專利之發明於第2間專利局亦會當然獲准。 台灣目前已與美國、日本、韓國及西班牙簽署備忘錄進行專利審查高速公路之計畫，日後專利申請人得利用此機制，縮短取得專利之時程，專利局的審查速度亦會加快。根據智財局之統計，至2016年6月底，平均首次OA(office action)期間(自PPH文件齊備至首次OA平均期間)為57.6天，平均審結期間(自PPH文件齊備至審結平均期間)則為136.6天。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。