日本《外包法》
日本外包法，正式名稱為外包價金給付遲延等防止法（下請代金支払遅延等防止法，又簡稱下請法），其制定目的在於確保大型企業外包其業務予中小型企業時之交易公正性，防止外包業者濫用其相對於承包業者之優勢地位，並保護承包之小型業者的利益，而該法的主管機關為公平交易委員會（公正取引委員会）。
依該法規定，於以下情形有本法之適用：（1）業者發包委託承包業者製造、修理物品與委託承包商提供該法授權行政命令訂定列舉的資訊成果產品（製作程式）或服務（運送、將貨品保管在倉庫、資訊處理），且發包之大型企業資本額 3億日圓以上、承包之小型企業資本額3億日圓以下，或發包企業資本額於3億元以下1000萬日圓以上、承包企業資本額在1000萬日圓以下時；或（2）業者發包委託承包業者作成非屬上述行政命令所列舉之資訊成果產品（如製作電視節目或廣告、設計商品、產品之使用說明書等）、或提供非屬行政命令列舉之服務（如維修建物或機械、提供客服中心服務等），且發包業者資本額5000萬日圓以上、承包業者資本額在5000萬日圓以下，或發包業者資本額在5000萬日圓以下1000萬日圓以上、承包業者資本額於1000萬日圓以下。
符合上開法定要件時，發包業者應訂定契約價金之給付期日，不得遲延給付價金，若給付遲延則有義務支付遲延之利息等，同時禁止發包業者拒絕受領承包業者交付的履約標的，禁止無故減少契約價金、退貨、或對承包業者採取報復性措施。若發包業者違反上述規定，則由日本中小企業廳或該發包業者之事業主管機關請求日本公平交易委員會（公正取引委員会）採取相應措施，該會則得據此針對該違反行為向發包業者作出書面勸告，同時對外公開該發包業者之公司名稱、其違反行為之事實概要、以及勸告內容的概要。此外，為防止口頭約定造成日後衍生交易糾紛，發包業者於下單時，應以書面明確約定並記載例如承包業者的履約標的、契約價金數額等法定應記載事項，並在下單後立即交付該書面予承包業者，如違反，得對該發包業者課予50萬日圓以下罰金。
本文為「經濟部產業技術司科技專案成果」
劉純妤
法律研究員 編譯整理
無人機(Drone)也就是無人飛機或無人飛行器(Unmanned Aerial Vehicles, UAV)，具備自動飛行系統的簡易模型飛機，自動飛行系統內可能包含一電腦作業系統、一套衛星導航裝置、羅盤功能、氣壓高度計、偵測器及設計飛行之軟體等等，簡稱無人機。茲因電子與無線傳輸科技進步，無人機在國際間掀起流行，近來無人機之使用引發安全疑慮，促進各國重視無人機的使用與法制管理。目前國際間陸續針對無人機立法管理的有美國、日本及歐盟等，我國行政院亦於2015年9月24日通過「民用航空法」部分條文修正草案因應無人機遙控管理規範。觀諸國際立法及修法趨勢，無人航空器之管理，包括無人機的體積、重量、使用用途、使用區域限制、使用時間限制、飛行速度或方法、飛行高度限制等，且亦須重視安全、隱私、資料保護、損害責任與保險相關問題，以及無人機所有權明確判別之方式等，因此我國未來就無人機相關管理規範或可參考先進國家重要管理規定，擬定更適合我國之「無人航空器管理規則」，俾利發展新興科技無人機市場時，同時能兼顧確保個人、國家與領空安全之規劃。
歐盟執委會發布人工智慧創新政策套案歐盟執委會（European Commission）於2024年1月24日發布AI創新政策套案（AI innovation package），將提供全面性的激勵措施，協助AI新創公司、中小企業與歐盟AI技術之發展。AI創新政策套案預計將修訂〈歐盟高效運算聯合承諾〉（the European High Performance Computing Joint Undertaking），以創建AI工廠（AI factories）；成立AI辦公室（AI Office）；並建立歐盟AI新創與創新交流（EU AI startup and innovation communication），重點分述如下： （1）AI工廠：歐盟執委會在將2027年前透過〈歐盟高效運算聯合承諾〉投資80億歐元，在歐盟境內建設全新的超級電腦，或升級現有高效運算設備，實現高速機器學習（fast machine learning）與訓練大型通用AI模型（large general-purpose AI models），使AI新創公司有機會使用超級電腦與大型通用AI模型來開發各種AI應用。並且，AI工廠將坐落於大型資料存儲中心（large-scale data storage facility）周圍，讓AI模型於訓練時可取得大量可靠的資料。其次，AI工廠將藉由開放超級電腦來吸引大量人才，包含學生、研究員、科學家與新創業者，以培養歐盟高階AI人才，供未來歐盟持續發展可信任的AI（Trustworthy AI）。 （2）AI辦公室：該辦公室將設置於歐盟執委會內，用於確認與協調歐盟成員國AI政策的一致性。此外，該辦公室未來亦將用於監督即將通過之歐盟《AI法案》（AI Act）的執行成效。 （3）歐盟AI新創與創新交流：歐盟執委會將透過〈展望歐洲〉（Horizon Europe）與〈數位歐洲計畫〉（Digital Europe Programme），在2027年前投入40億歐元的公部門與私人投資，俾利歐盟開發生成式AI（Generative AI）模型。該政策套案亦將加速歐盟共同資料空間（Common European Data Spaces）之發展，使歐洲企業得取得可靠且具價值性之資料來訓練AI模型。最後，執委會將啟動歐盟〈生成式AI倡議〉（GenAI4EU initiative），將AI工廠所訓練之生成式AI應用於工業用與服務型機器人、醫療保健、生物科技與化學、材料與電池、製造與工程、車輛移動、氣候變遷與環境保護、網路安全、太空、農業等實際領域，刺激產業創新發展，改善人類生活。
澳洲聯邦法院判決 Kazaa軟體的業者—Sherman Networks敗訴日前澳洲聯邦法院針對四家唱片公司 (包括Universal、Sony、Warner以及 Festival Mushroom)聯合控告提供檔案分享Kazaa軟體的業者—Sherman Networks一案作出判決。法官Murray Wilcox駁回原告聲稱Sherman Networks違反澳洲交易行為法(Trade Practices Act)以及Sherman Networks本身有從事著作權侵害的主張。但是，法官Wilcox指出Sherman Networks授權使用者侵害原告的著作權，並有鼓勵年輕人侵害著作權的情況。Sherman Networks在Kazaa網站的網頁中放置批評反對P2P軟體的唱片公司的標語--Join the Revolution，以及贊助攻擊唱片公司的文宣--Kazaa Revolution。這些標語、文宣並未明白地鼓吹使用者分享檔案，但是這會對於青少年認為以漠視唱片公司之著作權的方式來挑戰唱片公司是一件很「酷」的事情，而Kazaa的使用者多數是青少年。 法官 Wilcox判決被告必須支付90%的訴訟費用，並指出在Sherman Networks符合下列條件之一的情況下，Kazaa可以繼續營運： 1. 必須在現有的以及未來的版本中納入強制性關鍵字過濾技術 (non optional key word filter technology)，並且竭盡所能地要求既有使用者將版本更新至含有此技術的版本。 2.Altnet搜尋軟體，又稱之為TopSearch，只能提供未有侵害到他人著作權之作品的清單。 除此之外，法官 Wilcox亦為本案的上訴程序設下二個條件，第一個是上訴時間最快為明年2月，上訴法院為Full Court，第二個是Kazza軟體的修改須取得法院的認可或是唱片公司的同意。
世界衛生組織發布人工智慧於健康領域之監管考量因素文件，期能協助各國有效監管健康領域之人工智慧世界衛生組織（World Health Organization, WHO）於2023年10月19日發布「人工智慧於健康領域之監管考量因素」（Regulatory considerations on artificial intelligence for health）文件，旨在協助各國有效監管健康領域之人工智慧，發揮其潛力同時最大限度地降低風險。本文件以下列六個領域概述健康人工智慧之監管考量因素： （1）文件化與透明度（Documentation and transparency） 開發者應預先規範（pre-specifying）以及明確記錄人工智慧系統（以下簡稱AI系統）之預期醫療目的與開發過程，如AI系統所欲解決之問題，以及資料集之選擇與利用、參考標準、參數、指標、於各開發階段與原始計畫之偏離及更新等事項，並建議以基於風險之方法（Risk-based approach），根據重要性之比例決定文件化之程度、以及AI系統之開發與確效紀錄之保持。 （2）風險管理與AI系統開發生命週期方法（Risk management and AI systems development lifecycle approaches） 開發者應在AI系統生命之所有階段，考慮整體產品生命週期方法（total product lifecycle approach），包括上市前開發管理、上市後監督與變更管理。此外，須考慮採用風險管理方法（risk management approach）來解決與AI系統相關之風險，如網路安全威脅與漏洞（vulnerabilities）、擬合不足（underfitting）、演算法偏差等。 （3）預期用途、分析及臨床確效（Intended use, and analytical and clinical validation） 開發者應考慮提供AI系統預期用途之透明化紀錄，將用於建構AI系統之訓練資料集組成（training dataset composition）之詳細資訊（包括大小、設定與族群、輸入與輸出資料及人口組成等）提供給使用者。此外，可考慮透過一獨立資料集（independent dataset）之外部分析確效（external analytical validation），展示訓練與測試資料以外之效能，並考慮將風險作為臨床確效之分級要求。最後，於AI系統之上市後監督與市場監督階段，可考慮進行一段期間密集之部署後監督（post-deployment monitoring）。 （4）資料品質（Data quality） 開發者應確認可用資料（available data）之品質，是否已足以支援AI系統之開發，且開發者應對AI系統進行嚴格之預發布評估（pre-release evaluations），以確保其不會放大訓練資料、演算法或系統設計其他元素中之偏差與錯誤等問題，且利害關係人還應考慮減輕與健康照護資料有關之品質問題與風險，並繼續努力創建資料生態系統，以促進優質資料來源之共享。 （5）隱私與資料保護（Privacy and data protection） 開發者於AI系統之設計與部署過程中，應考慮隱私與資料保護問題，並留意不同法規之適用範圍及差異，且於開發過程之早期，開發者即應充分瞭解適用之資料保護法規與隱私法規，並應確保開發過程符合或超過相關法規要求。 （6）參與及協作（Engagement and collaboration） 開發者於制定人工智慧創新與部署路線圖之期間，需考慮開發可近用且具有充足資訊之平台，以於適合與適當情況下促進利害關係人間之參與及協作；為加速人工智慧領域實務作法之進化，透過參與及協作來簡化人工智慧監管之監督流程即有必要。