Horizon Europe
Horizon Europe為歐盟2021-2027年之科技研發架構計畫。科技研發架構計畫（Framework Programmes for Research and Technological Development，依不同期別縮寫為FP1-FP8）為全球最大型的多年期科研架構計畫，今期之Horizon 2020已進入尾聲，2021年起所實施的歐盟科研架構計畫──FP9正式命名為「Horizon Europe」。
為打造歐盟成為創新市場先鋒，延續Horizon 2020計畫成效，Horizon Europe重視投資研發與發展創新，包含強化歐盟的科學與技術基礎、促進歐洲創新能力，以及永續歐洲社會經濟的模式與價值。
Horizon Europe發展方向分為三大主軸，分別為：
- 卓越科學（Excellent Science）：透過歐洲研究理事會（European Research Council, ERC）、新居禮夫人人才培育計畫（Marie Skłodowska-Curie Actions, MSCA）和研究基礎設施（Research Infrastructures）加強歐盟科學領導力。
- 全球挑戰與產業競爭力（Global Challenges and European Industrial Competitiveness）：此主軸再分別發展6個子題，以應對歐盟和全球政策並加速產業轉型。該6個子題分別為(1)健康；(2)文化與創造力；(3)社會安全；(4)數位與太空產業；(5)氣候、能源與交通；(6)糧食、生物經濟（Bioeconomy）、自然資源、農業與永續環境。
- 創新歐洲（Innovative Europe）：促進、培育和部署市場創新，維護友善創新環境之歐洲生態系統（European ecosystems）。
此外，Horizon Europe擬把實驗階段中具備高潛力和前瞻性的技術帶入市場，轉以任務導向協助新創產業設立，推動跨事業多方整合。
本文為「經濟部產業技術司科技專案成果」
劉芷宜
法律研究員 編譯整理
歐盟於2023年10月11日發布《歐洲綠色債券監管及環境永續債券市場與永續連結債券自願性揭露規則》（Regulation on European Green Bonds and optional disclosures for bonds marketed as environmentally sustainable and for sustainability-linked bonds，下稱《歐洲綠色債券規則》），預計於2023年12月20日生效，針對在歐盟境內發行之綠色債券建立一套監管框架，課予欲使用「歐洲綠色債券」（European Green Bond）或「EuGB」等名稱發行環境永續債券的發行人一定義務，促進綠色債券的一致性和可比性，以保障投資人。綠色債券是發展綠色技術、能源效率和提升資源運用以及其他永續相關基礎設施投融資的主要工具之一，本規則之通過也被視為落實歐盟永續成長融資策略以及向碳中和、循環經濟轉型的一大進展。 《歐洲綠色債券規則》規範重點如下： 1.資金用途限制：《綠色債券規則》所有透過歐盟綠色債券募得的資金，原則上均必須投資於符合《歐盟永續分類標準》（EU Taxonomy）技術篩選標準的永續經濟活動，只有在所欲投資的經濟活動類別尚未被納入該標準時得為例外，且以總額之15%為限； 2.資訊揭露：綠色債券之發行人有義務揭露該債券之概況介紹（Factsheet）、資本支出計畫、資金使用分配報告、衝擊報告，並於債券公開說明書敘明資金用途，並得選擇進一步說明該債券之資金如何與自身企業整體環境永續目標相結合； 3.外部審查：前述資訊均須由已向歐洲證券與市場管理局（European Securities and Markets Authority）註冊之外部機構進行審查，以確保其準確性及可靠性。
英國國家統計局政府資料品質中心發布《政府資料品質框架》英國國家統計局（Office for National Statistics）轄下之政府資料品質中心（Government Data Quality Hub）為實踐英國數位、文化、媒體暨體育部（Department for Digital, Culture, Media & Sport）發布之《國家資料戰略》（National Data Strategy），於2020年12月3日釋出《政府資料品質框架》（The Government Data Quality Framework），以達成國家資料戰略中「資料基礎（Data Foundation）」之核心目標。該框架提出「資料品質原則」（Data quality principles），旨在解決目前政府資料品質低落的問題。該原則包含以下五點： 一、確保資料品質：機關內部應建立有效的資料治理機制，例如培訓員工具備管理資料的能力、持續改進資料品質等。 二、了解使用者需求：機關應將使用者對資料品質的需求視為優先處理事項。 三、評估資料於資料生命週期各階段之品質：機關應密切關注資料於生命週期各階段之品質，並與使用者及利益關係人交換意見。 四、持續溝通資料品質：機關應持續與使用者交流資料品質現況，提供使用者有效的文件及中繼資料（metadata）。 五、了解造成資料品質低落的主因：分析造成資料品質低落的根本原因，從源頭徹底解決資料品質問題。 英國國家統計局政府資料品質中心希望藉由本框架揭示的資料品質原則，提升政府機關人員主動辨別及解決資料品質問題的能力，以改善政府資料品質、為人民帶來更高品質的資料，釋放資料價值並促進社會經濟發展。
英國為救受Covid-19影響之小型企業成立簡易辦理之復興貸款計畫新冠病毒業務中斷貸款計畫（CORONAVIRUS BUSINESS INTERRUPTION LOAN SCHEME，CBILS）係因應疫情於3月23日由隸屬於英國政府之英國商業銀行（British Business Bank為推動中小型企業發展之政策性銀行）所提供八成信用擔保的中小型企業紓困貸款計畫，但承辦銀行授信緩慢或不願承貸，導致成效不彰飽受批評。 英國商業銀行正視小型企業具規模小、缺少抵押物、信用不足、營業資訊不透明及缺乏與銀行間的往來紀錄之特徵，易有不易通過授信徵審，難以獲得融資紓困之問題。業於5月4日另行啟動復興貸款計畫（BOUNCE BACK LOAN SCHEME，BBLS），小型企業只需於受理該計畫之承貸銀行網站填寫1份簡易申請表，輸入公司名稱、地址、公司註冊編號、2019年之預估年營業額與銀行代碼跟帳號，即可申請承貸金額為2,000英鎊以上，最高至企業營業額之25％（上限為50,000英鎊）之六年期之小規模貸款，該貸款提供十成擔保，銀行無需進行授信評估，亦不得要求小型企業進行任何其他形式之個人擔保，BBLS開放至今僅一週，申請件數已高於CBILS。 我國中央銀行之小規模營業人簡易申貸方案以十成信用提供小額貸款，與BBLS相似，惟我國小規模營業人簡易申貸方案採取簡易評分表進行審核，評分表內仍就負責人個人信用及不動產擔保設定進行分數評比，與英國無須進行授信評估頗有差異，雖我國受疫情影響程度未如英國嚴重，但小規模營業人仍受有衝擊，兩國之小額貸款同為十成擔保，我國或可參酌英國授信放寬之作業，提供小規模營業人更寬一點、快一點、方便一點的活水挹注，使小規模營業人度過疫情難關及加速復甦。
日本發布《資料品質管理指引》，強調歷程存證與溯源，建構可信任AI透明度2025年12月，日本人工智慧安全研究所（AI Safety Institute，下稱AISI）與日本獨立行政法人情報處理推進機構（Information-technology Promotion Agency Japan，下稱IPA）共同發布《資料品質管理指引》（Data Quality Management Guidebook）。此指引旨於協助組織落實資料品質管理，以最大化資料與AI的價值。指引指出AI加劇了「垃圾進，垃圾出（Garbage in, Garbage out）」的難題，資料品質將直接影響AI的產出。因此，為確保AI服務的準確性、可靠性與安全性，《資料品質管理指引》將AI所涉及的資料，以資料生命週期分為8個階段，並特別強調透過資料溯源，方能建立透明且可檢核的資料軌跡。 1.資料規劃階段：組織高層應界定資料蒐集與利用之目的，並具體說明組織之AI資料生命週期之各階段管理機制。 2.資料獲取階段：此步驟涉及生成、蒐集及從外部系統或實體取得資料，應優先從可靠的來源獲取AI模型的訓練資料，並明確記錄後設資料（Metadata）。後設資料指紀錄原始資料及資料歷程之相關資訊，包含資料的創建、轉檔（transformation）、傳輸及使用情況。因此，需要記錄資料的創建者、修改者或使用者，以及前述操作情況發生的時間點與操作方式。透過強化來源透明度，確保訓練資料進入AI系統時，即具備可驗證的信任基礎。 3.資料準備階段：重點在於AI標註（Labeling）品質管理，標註若不一致，將影響AI模型的準確性。此階段需執行資料清理，即刪除重複的資料、修正錯誤的資料內容，並持續補充後設資料。此外，可添加浮水印（Watermarking）以確保資料真實性與保護智慧財產權。 4.資料處理階段（Data Processing）：建立即時監控及異常通報機制，以解決先前階段未發現的資料不一致、錯漏等資料品質問題。 5.AI系統建置與運作階段：導入RAG（檢索增強生成）技術，檢索更多具參考性的資料來源，以提升AI系統之可靠性，並應從AI的訓練資料中排除可能涉及個人資料或機密資訊外洩的內容。 6. AI產出之評估階段（Evaluation of Output）：為確保產出內容準確，建議使用政府公開資料等具權威性資料來源（Authoritative Source of Truth, ASOT）作為評估資料集，搭配時間戳記用以查核參考資料的時效性（Currentness），避免AI採用過時的資料。 7.AI產出結果之交付階段（Deliver the Result）：向使用者提供機器可讀的格式與後設資料，以便使用者透過後設資料檢查AI產出結果之來源依據，增進透明度與使用者信任。 8.停止使用階段（Decommissioning）：當資料過時，應明確標示停止使用，若採取刪除，應留存刪除紀錄，確保留存完整的資料生命週期紀錄。 日本《資料品質管理指引》強調，完整的資料生命週期管理、強化溯源為AI安全與創新的基礎，有助組織確認內容準確性、決策歷程透明，方能最大化AI所帶來的價值。而我國企業可參考資策會科法所創意智財中心發布之《重要數位資料治理暨管理制度規範（EDGS）》，同樣強調從源頭開始保護資料，歷程存證與溯源為關鍵，有助於組織把控資料品質、放大AI價值。 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://www.tips.org.tw）