世界智慧財產權組織發布「2019年全球創新指數報告」（GII）
2019年7月24日，世界智慧財產權組織（World Intellectual Property Organization, WIPO）、美國康乃爾大學（Cornell University）、歐洲工商管理學院（INSEAD）共同發布「2019年全球創新指數報告」（Global Innovation Index 2019, GII）。GII報告每年度發行一份，希望幫助全球決策者更有效地制定政策及促進創新。本年度的報告主題是「創造健康生活─醫療創新之未來展望」，內容展望創新醫療，包括：導入人工智慧（artificial intelligence, AI）、基因體學（genomics）和健康醫療相關的手機應用程式，將會改變醫療照護。醫療創新無論是在診斷或預後，由於大數據、物聯網（Internet of Things, IoT）和人工智慧等新興科技的興起而改變。伴隨而來的是倫理、社會經濟等多方面、史無前例且迫切的挑戰。報告中提及幾項重要發現：
- 儘管經濟衰退，然而全球創新遍地成長，不可忽略保護主義對於全球創新的潛在風險。
- 創新版圖開始位移，中收入的經濟體開始嶄露頭角，值得一提的是以色列躋身第十名，而南韓也在前二十名的名單。
- 創新的投入和成果（innovation inputs and outputs）仍集中於特定少數經濟體和地區。
- 特定經濟體透過創新獲得的投資報酬率，大幅高過其他經濟體。
- 從「重量不重質」，蛻變為「重質不重量」，仍為改革的重要方針。
- 多數科學與科技的創新集中在美國、中國和德國。
- 需要更多的投資並將科技普及化，方能透過醫療創新打造健康生活。
GII依據80項指標評比129個經濟體，指出，全球創新指數最高的國家排名前五名為：瑞士、瑞典、美國、荷蘭、英國，均為高所得國家。中高所得國家創新指數前三名為：中國、馬來西亞、保加利亞；中低所得國家前三名為：越南、烏克蘭、喬治亞；低所得國家前三名則是：盧安達、塞內加爾、坦尚尼亞。至於區域性的創性領袖國是印度（中亞與南亞）、南非（撒哈拉以南非洲）、智利（拉丁美洲和加勒比海地區）、以色列（北非與西亞）、新加坡（東南亞、東亞與大洋洲）。最頂尖的自然與科技聚落所在國家為：美國、中國、德國；並特別指出巴西、印度、伊朗、俄羅斯、土耳其表現亮眼。最頂尖五大聚落是東京-橫濱（日本）、深圳-香港（中國大陸）、首爾（南韓）、北京（中國大陸）、聖荷西-洛杉磯（美國）。
本文為「經濟部產業技術司科技專案成果」
朱翊瑄
法律研究員 編譯整理
茲因回應2008年針對環境議題所召開之國家諮詢會議，並考量整體環境變遷快速，有待解決之相關問題與過往相較已有所不同，法國政府於2009年1月7日公布新修正之環保法令草案，力求與時俱進；其新環境法規草案著重以下主題：建築與都市計畫、交通、能源與氣候、生物多樣性、風險、健康與廢棄物處理。 其中值得注意者，係針對可能導致危害環境或人體健康的奈米粒子材料，於新法中加以規範。依該新環保法草案第73條，除非個案內容有損國家安全因而為特例之外，現行製造、輸入與使用奈米粒子材料於產品之業者，必須就該奈米材料之性質、數量與使用方式加以揭露，使公眾周知；此外，於主管機關的要求下，業者應評估並呈報該奈米材料之暴露程度與所潛藏之風險。 之所以將奈米粒子納入規範當中，係參考「化學物質登記、評估、授權和管制法」(Registration, Evaluation, Authorisation and Restriction of Chemical substances，REACH)，基於永續發展之目標，因而於產品製造及銷售的過程中，賦予製造商與進口商特定之責任與義務；亦即業者必須以負責任之態度製造、進口或使用化學物質，進而取得該化學物質之相關資訊，使之透明化，以確保人體健康和環境免於受到負面影響，促成風險管理措施之順利運行。 該等觀念彰顯了本次法國環境法規修改之特色，其六大主題之規範更需要諸多政府部門的通力合作；再者，法國於積極發展奈米科技的同時，以客觀之態度審視其優缺點，試圖掌握奈米粒子材料之特性，作為管理潛在風險之判斷基準。該法案於2009年2月10日送至議會待表決，後續發展仍值得注意。
健康食品的管理法規 美國聯邦首席資料長委員會指出2021年工作重點之一在於促進跨機關的資料共享2021年1月6日，美國聯邦首席資料長委員會（Federal Chief Data Officers Council, 後稱CDO Council）向美國國會提交報告，報告中指出今年度的工作重點之一將放在促進聯邦政府跨機關的資料共享，以極大化政府資料的價值。 CDO Council是根據2018年的《實證決策基本法》（Foundations for Evidence-Based Policymaking Act of 2018）所設立，並於2020年1月正式召開第一次會議，該委員會的成員包含聯邦政府各部會的首席資料長（Chief Data Officers, CDO）。該委員會的任務是加強各部會利用資料作為戰略資產的能力，促進聯邦政府資料的管理、使用、保護、傳播和衍生，以達到聯邦資料戰略（Federal Data Strategy）所設定的目標。 美國農業部首席資料長兼CDO Council主席Ted Kaouk表示，以農業部所建置的農業資料共通平台（Ag DATA COMMONS）為例，農業部所屬機關間透過資料共享，已產生許多應用。 譬如：該部所屬的食品與營養局（Food and Nutrition Service, FNS）利用經濟研究局（Economic Research Service, ERS）統計的糧食不安全（Food Insecurity）資料，推動食物箱計畫（Farmers to Families Food Box Program）；農業部所屬風險管理局（Risk Management Agency, RMA）使用平台上其他單位的資料，作為作物保險（crop insurance）的決策依據；農業部所屬食品安全和檢驗局（Food Safety and Inspection Service, FSIS）使用平台上其他單位的資料，來追蹤肉品加工廠的狀況。 CDO Council於去（2020）年10月成立了一個資料共享工作小組（Data Sharing Working Group），負責研究聯邦政府各機關間資料共享的使用案例，希望透過這樣的努力，強化聯邦政府的資料治理，產生高品質與即時性的資料，以此作為政府的決策依據。
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