日本自動駕駛損害賠償責任研究會報告
為釐清自駕車事故發生時，該如何適用日本《汽車賠償法》相關規定，國土交通省於2016年11月設置「自動駕駛損害賠償責任研究會」，檢討︰(1)自動駕駛是否適用《汽車賠償法》上運用供用者概念？(2)汽車製造商在自動駕駛事故損害中應負何種責任？(3)因資料謬誤、通訊不良、被駭等原因導致事故發生時應如何處理？(4)利用自動駕駛系統時發生之自損事故，是否屬於《汽車賠償法》保護範圍等議題，並於2018年3月公布研究報告。針對上述各點，研究會認為目前仍宜維持現行法上「運行供用者」責任，由具有支配行駛地位及行駛利益者負損害賠償責任，故自駕車製造商或因系統被駭導致失去以及支配行駛之地位及行駛利益者，不負運行供用者責任。此外，研究報告亦指出，從《汽車賠償法》立法意旨在於保護和汽車行駛無關之被害者，以及迅速使被害者得到救濟觀之，自動駕駛系統下之自損事故，應仍為《汽車賠償法》保護範圍所及。
本文為「經濟部產業技術司科技專案成果」
2025年5月2日，聯邦司法會議證據規則諮詢委員會（Judicial Conference’s Advisory Committee on Evidence Rules）以8比1投票結果通過一項提案，擬修正《聯邦證據規則》（Federal Rules of Evidence，FRE），釐清人工智慧（AI）生成內容於訴訟程序中之證據能力，以因應生成式AI技術在法律實務應用上日益普遍的趨勢。 由於現行《聯邦證據規則》僅於第702條中針對人類專家證人所提供的證據設有相關規定，對於AI生成內容的證據能力尚無明確規範，所以為了因應AI技術發展帶來的新興挑戰，《聯邦證據規則》修正草案（下稱「修正草案」）擬新增第707條「機器生成證據」（Machine-Generated Evidence），並擴張第901條「驗證或識別證據」（Authenticating or Identifying Evidence）的適用範圍。 本次增訂第707條，針對AI生成內容作為證據時，明確其可靠性評估標準，以避免出現分析錯誤、不準確、偏見或缺乏可解釋性（Explainability）等問題，進而強化法院審理時的證據審查基礎。本條規定，AI生成內容作為證據必須符合以下條件： 1. 該AI生成內容對於事實之認定具有實質助益； 2. AI系統於產出該內容時，係以充分且適當之事實或資料為輸入依據； 3. 該輸出結果能忠實反映其所依據之原理與方法，並證明此一應用於特定情境中具有可靠性。 本修正草案此次新增「AI生成內容」也必須合乎既有的證據驗證要件。原第901條a項原規定：「為符合證據之驗證或識別要求，提出證據者必須提供足以支持該證據確係其所聲稱之內容的佐證資料。」而修正草案擬於第901條b項新增「AI生成內容」一類，意即明文要求提出AI生成內容作為證據者，須提出足夠證據，以證明該內容具有真實性與可信度，方符合第901條a項驗證要件。 隨著AI於美國法院審理程序中的應用日益廣泛，如何在引入生成式AI的同時，於司法創新與證據可靠性之間取得平衡，將成為未來美國司法實務及法制發展中的重要課題，值得我國審慎觀察並參酌因應，作為制度調整與政策設計的參考。
美國陪審團裁定Rambus未違反反托拉斯法及其行為未構成欺詐美國聯邦法院陪審團(San Jose, California federal jury) 於2008年3月26日裁定Rambus之記憶體晶片專利未違反反托拉斯法 (anti-trust)及於制定晶片業重要標準時未非法欺騙JEDEC(Joint Electron Device Engineering Council)成員。 記憶體製造商Hynix Semiconductor, Micron Technology 及台灣南亞科技公司指控Rambus 的專利違反了反托拉斯法，企圖透過其專利壟斷六個技術市場。前三家公司並認為依法專利不得涵蓋產業組織JEDEC的設計規格，指控Rambus 的專利涵蓋關於DRAM介面技術的JEDEC行業標準中的內容。 此三家公司另指控Rambus於產業標準制定過程中蓄意扭轉關鍵JEDEC標準的制定，構成欺詐之行為。 但陪審團於3月26日的審判中否決原告的控訴，認為原告未能提出足夠證據以證明被告之違反反托拉斯法與欺詐行為。 Rambus 將可望藉此判決獲取最少美金1.344億元以上的權利金 (Rambus於2006年指控Hynix 侵犯其擁有的專利一案獲賠美金1.344億元)。Rambus 另控訴Micron Technology與三星(Samsung Electronics Co.)侵害其記憶體專利權。於獲得勝訴後，Rambus 表示其不排除尋求禁止令禁止Hynix 繼續製造侵害其專利的產品。 Micro Technology 則表示它堅決不同意陪審團判決，其法律事務副總裁Rod Lewis表示：Micro Technology認為，Rambus公司從事了一系列欺騙、銷毀證據、虛假證詞和其他不正當活動，企圖誤導和提取不公正的專利授權費用。因此，Micro Technology打算對判決結果進行上訴。另外，Micro Technology也認為，Rambus的專利權是無效的，已要求美國法院駁回Rambus向Micro Technology提出的專利索賠。
新加坡發佈《代理金融運行時安全防護框架》產業白皮書，協助金融AI代理之風險治理新加坡發佈《代理金融運行時安全防護框架》產業白皮書，協助金融AI代理之風險治理 資訊工業策進會科技法律研究所 2026年08月18日 今（2026）年7月3日，新加坡金融管理局（Monetary Authority of Singapore, 簡稱MAS）聯合多家國際金融機構與金融科技公司共同發布《代理金融運行時安全防護框架》（Safeguards for Agentic Finance at Runtime，簡稱SAFR）產業白皮書[1]，針對金融領域AI代理（AI agents）提出前瞻性的治理框架。 壹、事件摘要 MAS於去年11月發佈BuildFin.ai計畫，其目的是要讓金融機構、科技業者與研究機構一起解決金融業導入AI時的共同問題。簡單來說，BuildFin.ai計畫提供了金融科技業者一個應用共創平台，由業者提出問題，再讓產、官、研各界共同思索對策以促進金融業的AI應用，並同時強化其風險治理[2]。另外，隨著AI代理的新興技術發展，新加坡資訊通信媒體發展局（Infocomm Media Development Authority, IMDA）亦已於今年5月20日發布《代理式人工智慧治理示範框架》（Model AI Governance Framework for Agentic AI）第1.5版，透過風險評估機制、人類問責制、技術管控流程、終端使用者注意義務等面向建構AI代理的治理機制[3]。 因而，MAS在前述新加坡的政策趨勢下，也同步意識到金融領域導入AI代理技術的發展，包括金融AI代理可以發起支付、提交交易訂單、核准信用申請、申報監管報告，以及結算保險理賠等自主執行能力，其風險特性與傳統AI不同，因此有及早規劃因應的必要性。於是，MAS透過BuildFin.ai計畫與螞蟻國際、Circle、匯豐銀行、摩根大通、宏利、萬事達卡、華僑銀行和Visa等八大金融業界開會討論，決定共同撰寫SAFR產業白皮書，提供一套可操作性的治理框架，協助金融業者可以應用此方法以有效提升金融業導入AI代理的風險治理。 貳、重點說明 以下就SARF產業白皮書分為兩部分進行簡要說明，第一部分為金融AI代理的系統風險，第二部分則為金融AI代理的治理架構： 一、金融AI代理的系統風險 （一）執行前保障（pre-execution assurance）的機制欠缺 傳統AI的風險治理主要管控在「部署前」與「使用後」，前者主要透過模型風險管理（model risk management）的方式，於部署前對AI系統進行驗證；後者則以審計（audit）方法去檢視事後發生的情況進行追蹤。然而，這兩種常規風險管理機制，都無法及時在AI代理決策執行前的當下就問題發生進行識別與處理，因此凸顯出對執行前保障的機制欠缺[4]。 （二）人機治理介面流於形式 現行的人類審核機制目主要為權宜之計，比如，一則通知、一封電子郵件警示，並未有具體的制度化與管理流程。換言之，沒有處理期限、缺乏標準的決策格式，也沒有審計記錄，SARF認為這是流於形式、缺乏實質內容的人工監督[5]。 （三）碎片化的系統格式 新加坡的金融業者都各自於AI部署系統建立自身專屬的防護網（guardrails），其結果導致各系統間無法互相操作（non-interoperable），且無法在整個機構內部以一致的格式進行審計。因此，其風險並無法有效整合識別，不僅耗費成本過多，也無法讓金融業者能攜手合作處理[6]。 二、金融AI代理的治理架構 SAFR針對前述三大問題提出了應對方案，透過結構化的升級協議和統一的治理模式以解決AI系統的安全治理與監管挑戰。換言之，SAFR為AI代理定義了資料結構、評估邏輯與升級協議，並提出「治理封裝」（governance envelop）的技術概念，作為AI代理執行動作前的數位申請書，將其執行動作的參數、推理軌跡與身分元資料統合打包，並依SAFR的四階段治理流程進行管理以確保AI代理執行的即時把關[7]。 （一）身分驗證（Agent identity） AI代理的每項行動會綁定至一個已被認可且註冊的AI代理身分帳號，在進行任何其他評估流程之前，檢核系統必須先對照該AI代理的註冊身分進行驗證，並於AI代理帳號的註冊庫中進行查詢比對。另外由於AI代理會執行不同動作，一個AI代理可在不同行為註冊複數個身分帳號，檢核系統就會比對與判定該AI代理帳號的行為與身分是否吻合一致，若身分驗證失敗，檢核系統會拒絕AI代理的執行動作，並記錄於審計日誌中[8]。 （二）控制安全機制（Controls Repository） 控制安全機制是系統用來驗證其規則的場域，由於金融AI代理經過身分驗證後，其執行行為是否符合內部組織政策、金融法規、產品規則與使用者的授權範圍等，需要進一步的控管與檢核。因此，該系統會就允許的行動類型、決策邏輯、行為條件、有效期限與責任歸屬進行編碼操作，來逐一檢視AI代理的行為是否符合控制安全機制的要求[9]。 （三）結果處置引擎（Disposition Engine） 在結果處置引擎階段會根據控制安全機制的檢核結果給予裁示判斷，其判斷有四種結果，拒絕、升級、自動執行與觀察。拒絕為禁止其行動，升級則是要由人工審核，自動執行是通過並允許其行為，觀察則是認為有疑慮但損害不大者，可放行其行為但會被記錄在案供後續追蹤[10]。整體而言，透過不同層級的檢核標準以確認AI代理執行的範圍與權限。 （四）審計日誌（Audit Log） 最後審計日誌將會如實紀錄上面三階段的系統審核流程，並以「只能新增、無法修改」且「具備防篡改特徵（tamper-evident）」的形式，記錄了每一次的治理決策。每一筆記錄都包含了六個要素：提交時的治理封裝、作為行動檢查依據的授權令、結果處置引擎產生的結果、所套用的具體規則、得出該結果的依據，以及在每個階段所耗費的時間。透過此審計日誌具權威效力的記錄，可用於風險治理與生命週期的監督[11]。 參、事件評析 整體而言，SAFR藉由技術操作流程的治理框架來應對AI代理的新興發展，並藉由治理封裝的技術概念來實行四階段的驗證流程，以確保AI代理的有效監督。另外，SAFR又提供務實的解決方案，由於AI代理的運作早已有業者開發或部屬，如要用SAFR的治理機制其技術成本高昂，故提供匝道模式（gateway pattern）建立整體的外掛防護機制，不需要針對每個AI代理系統使用原生內嵌（native instrumentation）方式[12]。亦即，採取「先求有、再求好」的務實策略，雖然沒辦法提供最精準、最深層的檢核流程，但至少匝道模式能提供最基礎的技術防護措施，確保AI代理的風險可以於一定程度內控制，然後再針對新開發的AI代理要求以原生內嵌模式進行系統改良。 回到臺灣，目前金融領域已有大規模的AI導入，未來亦可預見AI代理的應用，其風險治理則必須謹慎對待。目前，金融監督管理委員會（下稱金管會）已於2024年6月20日發布「金融業運用人工智慧（AI）指引」，作為金融機構導入、使用及管理AI的參考[13]。為了因應AI代理趨勢的發展，行政院於今年7月核定頒布的「人工智慧風險分類框架」已針對AI代理的使用納入風險識別的子項目之一[14]，並且金管會正研議將前沿AI[15]與AI代理[16]的應用作為金融風險治理的一環。 因此，新加坡與業界合作撰寫的產業白皮書對金管會而言是很好的借鏡經驗，透過業界第一手的實務觀察，再與政府和研究機構攜手合作，思考相對應的治理對策，並提出具操作性與前瞻性的技術防護措施，強化AI代理的風險治理。同時，SARF的具體指導方針讓金融業者可以採用與施行，以降低AI代理的系統性風險，甚至金融專業領域自主形成的產業治理框架，對其他目的事業具有一定程度的示範效果。總的來說，新加坡AI代理的治理模式對於金融領域具有參考價值的重要性。 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://keid.nat.gov.tw/tips/） [1] Monetary Authority of Singapore, Safeguards for Agentic Finance at Runtime (SAFR), https://www.mas.gov.sg/publications/monographs-or-information-paper/2026/safeguards-for-agentic-finance-at-runtime (last visited August 18, 2026). [2] Monetary Authority of Singapore, MAS’ Financial AI Builder Programme - Buildfin.ai, https://www.mas.gov.sg/schemes-and-initiatives/buildfinai(last visited August 18, 2026). [3] 陳益智，新加坡代理AI治理示範框架對我國人工智慧基本法落地的啟示，https://stli.iii.org.tw/article-detail.aspx?no=64&tp=1&d=9511（最後瀏覽日：2026年8月18日）。 [4] Monetary Authority of Singapore, Safeguards for Agentic Finance at Runtime (SAFR) Version 1.0, p. 6. [5] id [6] id [7] id. at 7. [8] id. at 10. [9] id. at 10-11. [10] id. at 11-12. [11] id. at 12-13. [12] id. at 16. [13] 金融監督管理委員會，金管會發布「金融業運用人工智慧(AI)指引」，https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=202406200001&dtable=News（最後瀏覽日：2026年8月18日）。 [14] 參考（B6）AI自主代理之授權外行為：AI Agent系統具備自主規劃、呼叫外部工具與持續執行複雜任務之能力，可能因目標設定不完整或環境變化，導致行為逐漸偏離原始指令，乃至自主取得超出授權範圍之系統存取權限。多代理人協作系統更可能因代理人間相互觸發，產生開發者與使用者均未預期的連鎖反應，使人類難以及時介入糾正。 [15] 金融監督管理委員會，金管會提醒金融業強化前沿AI模型攻擊風險整備，https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=202607140002&dtable=News（最後瀏覽日：2026年8月18日）。 [16] 經濟日報，金管會推動金融科技 規劃三大監理方向 建立「AI管 AI」新架構，https://money.udn.com/money/story/5613/9486677（最後瀏覽日：2026年8月18日）。
美國勞動部就業培訓署發布《人工智慧素養框架》美國勞動部就業培訓署（The U.S. Department of Labor’s Employment and Training Administration，簡稱ETA）於2026年2月13日發布《人工智慧素養框架》（Artificial Intelligence Literacy Framework，以下簡稱本框架），旨在鼓勵公共勞動力系統與教育系統擴大推動AI素養（AI literacy）相關教育與培訓，為美國勞工因應AI時代之經濟與工作變遷提供方向指引，協助其培備所需核心能力。 本框架目標在支援勞動部執行《美國AI行動計畫》（Winning the Race: America’s AI Action Plan）及《美國人才戰略：為黃金時代打造勞動力》（America’s Talent Strategy: Building the Workforce for the Golden Age）兩部政策文件所揭示之任務，二者均將AI素養列為應於勞動力與教育體系全面推展之基礎性優先事項。本框架可分為三部分，第一部分提出AI素養的工作定義，並就勞工、雇主、教育與培訓提供者及州與地方機構四類受眾，分別說明框架的應用方式；第二部分界定所有勞工應具備的AI素養能力及其具體範疇與實作要求；第三部分則就培訓方案的設計與執行，提供課程規劃與推動策略的具體指引。 一、概念定義 本框架將AI素養定義為一套使個人得以負責任地使用與評估AI技術的基礎能力，並以對現代職場日益重要的生成式AI為核心。美國勞動部指出，「素養」應理解為隨著AI普及各行各業，所有勞工與學生與AI工具互動之知識與技能基準。 本框架分別針對四類受眾分別說明其應用方式。就勞工而言，現有勞工、求職者及即將進入職場之學生，可以此了解AI素養對職涯發展的意義與技能培養方向，在提升工作效能之餘開創新的職涯機會。就雇主而言，可據此建立企業內部AI素養培訓，確保員工有效且負責任地使用AI工具。就教育培訓提供者而言，可將AI素養融入現有課程，為學習者建立職場所需的核心能力。就州與地方機構而言，則可推動勞動與教育體系之AI素養培育，協助學生與求職者因應市場變遷，並回應雇主對AI人才之需求。 二、AI素養五大基本內容領域 本框架界定五大AI素養基礎內容領域，構成所有勞工應具備的能力基線。 1.了解AI原則（Understand AI Principles）：理解AI的核心概念、能力與限制，為有效應用奠定基礎。 2.探索AI用途（Explore AI Uses）：探索不同AI工具與應用情境，及其如何與人類專業知識相輔相成。 3.有效導引AI（Direct AI Effectively）：掌握如何提供適當情境脈絡與撰寫清晰提示詞，以產生有效輸出。 4.評估AI輸出（Evaluate AI Outputs）：評估AI生成結果之準確性與相關性，並了解如何對其輸出進行迭代優化。 5.負責任地使用AI（Use AI Responsibly）：以合乎倫理且安全的方式使用AI，保護重要資訊並對結果負責。 三、AI素養七大推行原則 本框架提出七大推行原則，作為培訓方案設計與執行的具體指引。 1.啟動體驗式學習（Enable Experiential Learning）：透過實際操作培養AI素養，使學習者得於真實情境中練習AI技能。 2.將學習融入情境（Embed Learning in Context）：將學習融入既有流程並結合產業特性，使學習成果更具實踐價值。 3.建立互補性人類技能（Build Complementary Human Skills）：借助AI強化人類之判斷力、創造力與問題解決能力。 4.消除學習前置障礙（Address Prerequisites to AI Literacy）：消弭AI素養學習之障礙，包括數位素養不足與寬頻網路取得的問題。 5.建立持續學習路徑（Create Pathways for Continued Learning）：提供系統性進修路徑，協助學習者提升進階AI技能並拓展職涯發展。 6.培育賦能角色（Prepare Enabling Roles）：培育管理者、輔導人員及其他於學習歷程中扮演支持角色之人員。 7.以敏捷性為設計原則（Design for Agility）：建立主動的內建機制，以隨AI能力演進迅速更新素養內容與推動方式。 面對AI時代工作型態之快速變遷，美國《人工智慧素養框架》在政策制定、勞動力轉型與AI人才系統化培育等面向所揭示之架構與策略，具有參考價值，可以供我國政府機關研擬相關政策時參考。