美國《確保關鍵礦產安全可靠供應的聯邦戰略》
《確保關鍵礦產安全可靠供應的聯邦戰略》（A Federal Strategy to Ensure Secure and Reliable Supplies of Critical Minerals），為美國商務部於2019年6月4日發布的一項國家層級礦產行動計劃，制定依據為美國總統於2017年12月20日發布的13817號行政命令，戰略目標是強化美國製造業與國防工業及礦產供應鏈彈性，推進研究開發工作，減少美國對中國大陸等外國實體的關鍵礦產資源依賴。
美國商務部表示，確保關鍵礦產供應穩定及供應鏈彈性，對於美國經濟繁榮與國防安全至關重要，過去美國過分依賴外國關鍵礦產資源及供應鏈，導致經濟和軍事出現戰略性弱點。據統計共有35種與美國經濟與國家安全相關的礦產品，包括鈾、鈦和稀土元素，為智慧手機、飛機、電腦和GPS導航系統及風力發動機、節能照明與混合動力汽車電池等綠色科技產品的必要組成。35種關鍵礦產中有31種選擇進口，其中更有14種關鍵礦產是完全依賴國外進口。
《確保關鍵礦產安全可靠供應的聯邦戰略》提出6項行動綱領包括：（1）推動關鍵礦產供應鏈的轉型研究、開發與部署；（2）加強美國關鍵礦產供應鏈和國防工業基地；（3）強化與關鍵礦產相關的國際貿易合作；（4）提升對國內關鍵礦產資源知識；（5）提升在美國聯邦土地上獲得關鍵礦產資源的機會，並簡化授權開採的審查程序；（6）增加美國關鍵礦產資源勞動力等。
本文為「經濟部產業技術司科技專案成果」
許祐寧
專案經理 編譯整理
為了全力打造英國成為「FinTech 全球領導者地位」，及引領FinTech 國際監管規則的大國，英國金融業務監理局（Financial Conduct Authority, FCA）於2014年10月啟動了金融科技創新計畫（Project Innovate），目的就是能夠追蹤進入金融市場的新興商業模式，其中最重要的建立監理沙盒制度（Regulatory Sandbox），旨在提供企業可以在安全空間內對創新產品、服務、商業模式等進行測試，而不會立即招致參與相關活動的所有監管後果。 金融科技創新計畫增設創新中心（Innovation Hub），為創新企業提供與監管對接等各種支持。 金融科技創新計畫通過促進破壞式創新鼓勵挑戰現有的商業模式，而創新中心主要透過政策與金融科技業者交流，了解是否監管政策能夠更好的支持創新。
發展再生能源 農委會推展生質能源作物管制全球溫室氣體排放量的京都議定書生效，發展再生能源成為趨勢。行政院農業委員會投入生質能源作物開發，規劃利用北、中、南三地共九十公頃的休耕農田，種植向日葵、大豆及油菜等三種油料能源作物，研發生質柴油，期盼提高農業「綠色產值」。 農委會指出，農業部門在再生能源領域中也有發揮空間，國內外生質能源相關研究認為可利用植物將太陽能、水力及二氧化碳轉化為生質能源，台灣每年有不少農地休耕，可利用推展能源作物，發展生質能源，同時提升休耕農田的附加價值，開創台灣農業發展新契機。 農委會官員指出，研究發現這些作物製成的生質柴油使用於汽車與一般柴油相同，而且排放的廢氣、二氧化碳較少，不過，生質油成本較柴油高，相關技術尚待進一步研究。
金融穩定委員會報告指出金融領域採用AI之模型、資料品質與治理風險.Pindent{text-indent: 2em;} .Noindent{margin-left: 2em;} .NoPindent{text-indent: 2em; margin-left: 2em;} .No2indent{margin-left: 3em;} .No2Pindent{text-indent: 2em; margin-left: 3em} .No3indent{margin-left: 4em;} .No3Pindent{text-indent: 2em; margin-left: 4em} 金融穩定委員會(Financial Stability Board, FSB)於2024年11月14日發布《人工智慧對金融穩定的影響》報告，探討人工智慧（Artificial Intelligence, AI）在金融領域的應用進展及對全球金融穩定的影響，分析相關風險並提出建議。 報告指出AI具有提升效率、加強法規遵循、提供個人化金融產品及進階資料分析等益處，但同時可能加劇某些金融部門的脆弱性（Vulnerability），進而構成金融穩定風險。報告特別提出之脆弱性包括：「第三方依賴及服務供應商集中化」、「市場相關性」、「資安風險」，以及「模型風險、資料品質和治理」。 在模型風險、資料品質與治理中，廣泛應用AI可能導致模型風險上升，因某些模型難以驗證、監控及修正，且模型的複雜性與透明性不足將增加尋找具獨立性和專業知識的驗證者的挑戰。此外，在大型語言模型（Large Language Model, LLM），大規模非結構化資料的使用及訓練資料來源的不透明性，使資料品質評估更加困難。特別是在預訓練模型（Pre-trained Model）中，金融機構對眾多資料來源的評估方式不熟悉，進一步增加管理難度。 若金融機構未建立健全的治理架構以審查AI的使用及其資料來源，模型風險與資料品質問題將難以控制。金融機構有責任應對與AI相關的模型風險和資料品質挑戰，包含對模型進行驗證、持續監控、執行結果分析和評估資料品質的預期要求。 報告呼籲各國金融主管機關加強對AI發展的監測，評估現行金融政策框架是否充分，並增強監管能力。建議可定期或不定期調查AI應用情形，並透過報告及公開揭露制度獲取相關資訊。此外，主管機關可考慮利用監督科技（SupTech）及監管科技（RegTech）等AI驅動工具強化監管效能，以應對AI在金融領域帶來的挑戰與風險。