何謂芬蘭科學院(AOF)？
芬蘭科學院(Academy of Finland, AOF)是隸屬於芬蘭教育、科學及文化部的專業研究資助機構，旨在促進芬蘭科學研究的多樣化及國際化，資助前端突破性科學研究，提供科學技術及科學政策的專業知識，並加強科學研究的地位。芬蘭科學院最高決策單位為七人委員會，委員會主席由科學院院長出任。
底下設有：文化與社會、自然科學與工程、健康醫學以及環境與自然資源四個研究委員會。每一委員會設主席一人委員十人，任期三年。行政單位由大約一百位專家組成，主要工作為準備及執行七人委員會及各研究委員會的各項工作與決策，並撰寫科學報告和研究計畫。
其任務包括獎助大學與研究機構內的科學研究工作與團隊、參與多邊研究計畫的規劃與獎助、資助芬蘭研究人員參與國際研究計畫、評估科研計畫的品質及水準，以及科技政策專業諮詢等。研究範圍涵蓋建築、太空研究、細胞生物和心理學到電子和環境科學研究。
本文為「經濟部產業技術司科技專案成果」
加拿大政府十三日宣布，將在未來七年內投入百億元資金，達成京都議定書的二氧化碳減量目標。根據這項計劃，加拿大將在二○○二年至二○一二年之間，把全國溫室廢氣減少二億七千萬公噸，但其中對本國實際減少的排放量，以及透過向窮國購買排放權扣抵的比例，並未提出具體說明。 計劃中雖要求大型排廢單位在此期間內必須把廢氣排放量減少三千六百萬公噸，但也遠低於加國當初在簽署京都議定書時所承諾的五千五百萬公噸。此外，計劃中也還有很大一部份，仍待聯邦與各省及產業界進一步談判，其中也未訂出產業和民眾各需負擔的減量責任額。 加國主要環保智庫大衛鈴木基金會氣候變化計劃主任卡特則批評，這項計劃的最大缺點在於把排廢減量主要責任都推到一般民眾身上。卡特指出，加國每年產生的溫室廢氣中，只有二成三來自一般民眾，但依據該會的分析，加國政府在這項計劃中，將把高達七成四的減量責任都壓到民眾身上。 加國政府同時也計劃撥款，資助清潔能源和減少排廢相關科技研發，並致力推動宣導，呼籲、教育民眾和社區一起投入減少排廢。新公布的減排溫室氣體環保計劃主要包括三個部分：氣候變化基金、伙伴合作基金和研究基金。氣候變化基金將幫助加拿大企業在國內外購買和出售廢氣排放量的指標數。伙伴合作基金將主要用於各省之間的相關合作項目，如建立從東部到西部的電網，使各省都能利用清潔的水電能源，盡量減少煤電使用量等。研究基金主要用于開發能減少溫室氣體排放量的新技術。
以『江蘇科技改革30條』解析中國大陸科研經費改革制度中國大陸近年致力發展其國內技術研究產業，但在基礎研究經費申請制度上，長期存在一些結構問題，如在科研資助、實施和成果傳播三個階段。故自2017年起，中國大陸陸續修正關於科研經費制度，以使科技研究人員得以順利進行科研項目。截至目前，依中國大陸國發〔2018〕25號文為基準，江蘇省推出《關於深化科技體制機制改革推動高品質發展若干政策》(下簡稱『江蘇科技改革30條』)，並出台完整的實用手冊 。 此次江蘇科技改革30條，明確落實中央對科研經費鬆綁及對科研結果獎勵與容錯的改革措施。在科研經費可直接列支項目的直接預算，如設備費、材料費等，從原本九個項目改合併為五個項目，科目經費支出將不再受比例限制；另在無法直接羅列預算項目的間接預算上，如績效支出等費用則精簡列支項目，提高間接費用核定比例。在科研結果獎勵與容錯改革上，建立原創成果獎勵機制、創新補償機制、援助機制及免責機制。 中國大陸科研經費長期採用嚴格預算制，直接預算需按照法律規範羅列，然間接預算部分常使研究人員因不知如何羅列，而導致研究經費中斷或減少。對於較易失敗的基礎研究上，研究人員則擔心在階段性考核中因錯誤致使研發經費無法取得，進而將錯就錯，謊報研究成果。此次江蘇科技改革30條修正，解決了上述科研經費制度的部分問題，並具體規範了實務上的操作。然各部會間如何解決關於監管經費結餘規範之法律衝突，及科研成果容錯機制之評價，仍待後續觀察。
從RFID的應用談科技變遷下的人權議題 美國國家標準暨技術研究院規劃建立「人工智慧風險管理框架」，並徵詢公眾對於該框架之意見美國國家標準暨技術研究院（National Institute of Standards and Technology, NIST）為管理人工智慧對於個人、組織以及社會所帶來之風險，於2021年7月29日提出將建立「人工智慧風險管理框架」（Artificial Intelligence Risk Management Framework, AI RMF）之規畫並徵詢公眾意見，截止日為9月15日，並預計於10月發布正式報告。 依照NIST說明，公眾所建議之人工智慧風險管理框架，可促進人工智慧之可信賴性，其中包含如何應對並解決人工智慧於設計、發展及使用過程中所遭遇之「精確度」（accuracy）、「可解釋性」（explainability）、「偏見」（bias）等議題。此外，上開管理框架預計為非強制性、供企業自願性使用於人工智慧設計、發展、使用、衡量及評估之人工智慧標準。 依現有公眾意見徵詢結果，其中DeepMind公司建議於人工智慧設計初期，必須預先構思整體系統之假設是否符合真正社會因果關係。舉例言之，當設計一套可預測民眾健保需求程度之系統時，如輸入參數僅考量民眾於醫療上的花費，將使僅有可負擔較高醫療費用之民眾被歸類為健保需求程度較高者，從而導致健保制度排擠經濟負擔程度較差之公民，故在設計系統時，應從預先設定之假設事實反面（counter-factual）思考並驗證是否會產生誤差或公平性之問題（例如預先思考並驗證「醫療費用支出較低之民眾是否即可被正確歸類為健保需求度低之民眾」）。惟進行上述驗證需要大量社會資料，因此DeepMind也建議NIST應建立相關機制，使這些社會資料可以被蒐集、使用。 此外，亦有民眾建議管理框架應有明確之衡量方法以及數值指標，以供工程界遵循。同時鑒於人工智慧發展極為快速，未來可能有不同於以往之人工智慧類型出現，故亦建議NIST應思考如何在「建構一套完整且詳細之人工智慧治理框架」與「保持人工智慧治理框架之彈性與靈活性」之間取得平衡。 最後，目前也有許多徵詢意見指出，許多人工智慧治理之目標會相互衝突。舉例言之，當NIST要求人工智慧系統應符合可解釋性，則人工智慧公司勢必需要經常抽取人工智慧系統中之「數據軌跡」（audit logs），惟數據軌跡可能被認為是使用者之個人資料，因此如何平衡或完善不同治理框架下之目標，為未來應持續關注之議題。