New Balance在中國大陸一審獲判商標侵權賠償
美國紐百倫公司（以下稱New Balance）去年控告中國大陸當地三家製鞋商侵害其中N字logo商標。其中一位被告為已在美國科羅拉多州成立公司的新百倫體育用品有限公司（USA New Bai Lun Sporting Goods Group Inc）。近日，中國大陸蘇州中級人民法院判決在一審判決中判處這三名被告侵害New Balance商標權，應支付New Balance人民幣一千萬元（即美金一百五十萬元）之損害賠償。
一名美國律師指出，此賠償數額以國際標準而言不算高，但這是中國大陸外企至今在商標侵權爭議案件中獲得的最大一筆賠償金，對在中國大陸的外企而言是一大鼓舞。New Balance品牌保護經理Angela Shi表示，此案的勝訴讓New Balance更有信心繼續在中國大陸開展品牌保護的工作。
根據中國大陸當地律師指出，過去中國大陸各地方人民法院由於必須考量當地就業及社會穩定等因素，較不傾向做出有利於外企的判決。在本判決之前，美國總統川普曾簽屬一份備忘錄，要求調查中國大陸竊取美國企業智慧財產權之問題，而中國大陸國家主席習近平近期亦曾公開表示要嚴懲侵害智慧財產權者。本次New Balance的勝訴，除了對外企而言有標竿性的作用外，也展現了中國大陸政府解決仿冒問題的決心。
陶思妤
法律研究員 編譯整理
Chinese court awards New Balance $1.5 million in trademark case https://www.reuters.com/article/us-new-balance-china-trademark/chinese-court-awards-new-balance-1-5-million-in-trademark-case-idUSKCN1B317X
Why New Balance's Trademark Infringement Victory in China Is Such a Big Deal http://fortune.com/2017/08/23/new-balance-china-infringement/
China court rules against New Balance in trademark case http://www.reuters.com/article/us-new-balance-china-trademark/china-court-rules-against-new-balance-in-trademark-case-idUSKCN0ZA0D4
近年日本中小企業與大型企業合作研發、進行交易合作的商業型態日益增加，故日本中小企業廳自2017年1月至2020年3月為止（約三年間），針對日本的中小企業進行了訪談，調查了中小企業與大型企業間約12,000筆合作研發等商業行為，從中發現了許多問題，如大型企業常藉由合作研發，參觀中小企業工廠的名義，實際上是竊取中小企業技術、know how；其他還有以共同研發為名，擅自將研發成果使用在其他領域的案例等。 由於中小企業常在商業合作上處與弱勢，故日本政府為促使中小企業與大型企業的合作能符合公平交易原則、以及保護中小企業的智慧財產、技術，防止中小企業的智慧財產、技術、Know how等無形資產被商業合作夥伴（大型企業）不當使用或以非法的方式取得、使用，故日本政府計劃於今年秋天發布「中小企業智慧財產、技術保護指針」。 為改善中小企業與大型企業合作時，可能遭遇的智財、技術歸屬等問題，除透過「中小企業智慧財產、技術保護指針」提供具體的對策與措施，日本中小企業廳將於2021年編列相關預算，以智慧財產權的角度協助中小企業解決智財相關問題，並強化中小企業保護智慧財產權之意識，另外還會提供中小企業智財諮詢等相關支援。 「本文同步刊登於TIPS網站（https://www.tips.org.tw ）」
基因資訊醫療運用與業務過失 <開原碼條例>建置醫療資源共享架構UCLA醫學中心以開放原始碼軟體Zope建置資訊系統，展開一項稱為「治療成效開放式架構」(OIO, Open Infrastructure for Outcomes) 的計畫，構築起未來醫療資訊系統的新基石。讓治療成效的資訊，能在一個共通的平台架構上進行資源分享。 長期以來，醫療資訊系統面臨的挑戰主要來自於下列三個面向：一、如何讓資訊系統提供令人滿意的服務功能，以取代將醫療記錄登載在紙張上的傳統方式。二、資訊系統的需求經常會改變，如何快速因應系統的改變需求。三、如何與其他醫療團隊夥伴，共同分享資料與工具。 OIO計劃透過資訊共享可加速醫療研究。開放式架構計畫的主要目的，並不是用來要求臨床工作者與醫療研究中心分享病歷資料，而是提供一個分享管理工具的機制，讓使用者能夠利用這些管理工具，進行資料的收集與分析，並和特定的診療研究人員進行溝通，而透過系統安全的機制，在過程當中並不會讓其他人得知資料內容。不過，如果有人想要進行管理工具或資料的進一步加值利用，僅需額外投入相當小的成本。 另外， 開放式架構計畫的設計極具彈性，除了目前所專注的治療成效資訊統計之外，其系統概念也可以用來管理客戶資訊、進銷存資訊、會計資訊等。整個系統開發環境是針對使用者而設計，而非程式人員，並且以網頁應用程式來實作，力求操作的便利性，目的之一是讓使用者能夠動手創造出自己所需的表格資料。另一方面，設計上也面對來自於法律與技術層面的挑戰，例如取得病患的同意及對系統的信任感，促使這套系統在實作時，必須能夠提供高度的修改彈性與安全性。 由於 OIO 在設計上，包含低成本、高效益、使用者導向、架構具有彈性等特色，並以開放源碼開發模式來鼓勵使用者測試及提供回饋意見，目前的應用效果持續擴大中。
德國聯邦資訊技術，電信和新媒體協會針對AI及自動決策技術利用提出建議指南德國聯邦資訊技術，電信和新媒體協會於2018年2月6日在更安全的網路研討會中針對利用人工智慧及自動決策技術利用提出建議指南（Empfehlungen für den verantwortlichen Einsatz von KI und automatisierten Entscheidungen），旨在提升企業數位化與社會責任，並提升消費者權益保護。 本份指南提出六項建議： 促進企業內部及外部訂定相關準則 例如規定公司在利用演算法和AI時，必須將影響評估列入開發流程，並列為公司應遵守的道德倫理守則，以確保開發的產品或服務符合公平及道德。 提升透明度 使用者如有興趣了解演算法及其含義，企業應協助調查並了解使用者想獲知的訊息，並透過相關訊息管道提升產品及服務透明度。因此，企業應努力使演算法及其操作和含義能夠被使用者理解。此亦涉及即將實施的歐盟一般資料保護規則中的透明度義務。在機器學習或深度學習情況下，可能會增加理解性和可追溯性難度，但有助於分析流程並使其更接近人類理解的方法在科學和商業實踐中，應特別關注並進一步討論。另外，透過教育及使用說明協助及控制功能，教導消費者係建立雙方信任的重要手段。企業應在第一線中說明產品或服務中使用的手段（演算法，機器學習，AI）。除了解釋使用那些技術來改進產品和服務外，應一併解釋如何從技術控制過程中獲得相關知識以及提供那些後援支持。另外，例如透過幫助頁面，儀表板或部落格，解釋發生什麼以及如何做出某些影響深遠的自動化決策，使用戶更了解有關使用自動決策相關訊息。因此建議企業採取強制有效以建立信任的措施，使用戶理解是否及如何使用相關演算法，此可能包括使用自動化決策，使用特定資料組和使用技術的目的，亦即使用戶對演算法，機器學習或AI支持的決策有基本的了解。 為全體利益使用相關技術 人工智慧等新技術之重要性不應被低估，目前在生活和工業等眾多領域皆有廣泛應用。對於個人和集體而言，將可帶來巨大的利益，因此應該充分利用。例如，人工智慧可降低語言障礙，幫助行動不便的人可更加獨立自主生活，改善醫療診斷，提升能源供應效率，甚至是交通規劃和搜索停車位，都只是人工智慧偉大且已被使用的案例。為促進技術發展，應公平地利用其優勢並預留商業應用模式的空間，同時充分解決涉及的具體風險。產業特定的解決方案十分重要，但應兼顧受影響者的利益，並與廣大公眾利益找出妥協平衡點，且應排除不適當的歧視。建議在使用決策支持技術時，應事先檢查相關後果並與其利益比較。例如，可以在資料保護影響評估的框架進行。作為道德準則的一部分，必須確保演算法盡可能量準確地預測結果。 開發安全的資料基礎 資料係人工智慧支援決策的基礎。與人為決策者相同，資料不完整或錯誤，將導致做出錯誤的決定。因此決策系統的可靠性仍取決資料的準確性。但資料質量和資料來源始終不能追溯到源頭，如果可能的話，只有匯總或非個人資料可用於分析或分類用戶群組。因此，確切細節不可被使用或揭露。因此建議企業應考慮要使用的資料、資料的類別和在使用AI系統前仔細檢查資料使用情況，特別是在自我學習系統中資料引入的標準，並根據錯誤來源進行檢查，且儘可能全面記錄，針對個人資料部分更應謹慎處理。 解決機器偏差問題 應重視並解決所謂機器偏差和演算法選擇和模型建立領域的相關問題。解釋演算法，機器學習或AI在基層資料選擇和資料庫時所產生決策偏見相當重要，在開發預期用途的演算法時必須納入考量，對員工應針對道德影響進行培訓，並使用代表性紀錄來創建可以識別和最小化偏差的方法。企業並應該提高員工的敏感度並培訓如何解決並減少機器偏見問題，並特別注意資料饋送，以及開發用於檢測模式的內、外部測試流程。 適合個別領域的具體措施和文件 在特別需要負責的決策過程，例如在車輛的自動控制或醫療診斷中，應設計成由責任主體保留最終的決策權力，直到AI的控制品質已達到或高於所有參與者水平。對類人工智慧的信任，並非透過對方法的無條件追踪來實現，而是經過仔細測試，學習和記錄來實現