美國《代幣分類法》（Token Taxonomy Act）草案
目前，美國證券管理委員會（U.S. Securities and Exchange Commission, SEC）對於數位貨幣的態度傾向於將代幣視為有價證券。《代幣分類法》（Token Taxonomy Act）草案則是持反對意見的聲浪¬，由美國眾議員Warren Davidson為首，並且獲得跨黨派多位眾議員的支持。《代幣分類法》主要的訴求是希望可以將數位代幣排除於證券，進而排除虛擬貨幣之稅務。重點有三：
- 修正《證券交易法》，將數位代幣排除於證券
將「數位代幣」（Digital Token）定義為驗證交易或遵循規則防止交易被竄改之「數位單元」（Digital Unit，以電腦可讀取的形式儲存，用於表彰經濟、財產上權利，或存取權限）。同時，在原先「證券」（Security）的定義中，排除「數位代幣」；另將證券「交易」（Exchange）交易排除數位貨幣適用。 - 擴張銀行之定義
修改「銀行」之定義。原先《1940年投資顧問法》和《1940年投資公司法》所指之「銀行」，包括「取得存款或執行信託權利（Fiduciary Powers）」等與准許經營銀行執行雷同事業者，是否為公司不在所問（Incorporated）。《代幣分類法》將之擴張為「取得存款、提供保管服務（Custodial Services）或執行信託權利」。 - 修正將虛擬貨幣視為免課稅對象
虛擬貨幣（Virtual Currency）定義為表彰數位價值之交易媒介且不是貨幣。並修正美國《1986國內所得稅法》（Internal Revenue Code of 1986），將虛擬貨幣交易視為免課稅之交易，並將總額小於600美金的虛擬貨幣買賣或交易之所得，排除於總收入（Gross Income）之外。
然而，目前美國證券管理委員會的態度仍未改變，並且於2019年4月3日發表〈數位資產「投資契約」分析之架構〉（Framework for “Investment Contract” Analysis of Digital Assets）。該分析架構說明：凡符合Howey Test之標準的「投資契約」即屬於「證券」，有《證券交易法》的適用。〈數位資產「投資契約」分析之架構〉甫發表，Warren Davidson與另外五位眾議員隨即重新提起2019年版的《代幣分類法》草案，是繼2018年9月、2018年12月第三度提起相關法案。楊安澤（Andrew Yang，美國首位角逐總統的華裔候選人）在2020年民主黨黨內總統初選政見中，亦援引《代幣分類法》草案，希望可以與連署《代幣分類法》草案的美國國會議員和懷俄明州（Wyoming）的立法者，共同擘畫有利於商業與人民的數位資產框架。
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
首次代幣發行之企業法令遵循─以有價證券認定為核心 https://stli.iii.org.tw/legal-detail2.aspx?no=65&d=7304&i=8705
瑞士的網路安全公司WSLabi於2007年7月9日宣佈一項訊息，未來將在線上公開交易或交換一些軟體的安全性漏洞和弱點予軟體相關研究人員、安全代理商和軟體公司，價格從數百美元至數萬美元不等。而此意謂拍賣軟體瑕疵的新興市場即將被打開。 WSLabi公開拍賣軟體弱點與漏洞的作法引起了很大的爭論。以往軟體安全業者於發現軟體的弱點後，會與軟體開發者合作修補安全性弱點和漏洞，待修補完成後再公開宣佈修補軟體安全性弱點之相關訊息。但該公司的新作法將導致軟體公司未來可能因為無法及時修補弱點而商譽受損。因此該項計畫雖尚未實行，卻引起了不同看法的爭辯：支持者表示，此一計畫將有助於改善軟體弱點及安全漏洞的問題，並可鼓勵對於軟體的弱點的深入研究；然反對者卻認為，如果軟體的弱點和安全漏洞因而落入有心人的手中，利用於犯罪或幫助他人犯罪，將會對資訊安全形成極大威脅。再者，把其他公司開發的軟體弱點在市場上交易，可能也會引發道德與合法性的問題。 WSLabi於瞭解這項做法可能引起侵害著作權(重製、散布、販賣軟體等行為)、營業秘密與犯罪防治等法律上的爭議及國家安全的問題後表示，他們將會審慎地過濾選擇買主，不會將研究之結果出售予犯罪者或敵國政府。雖然如此，他們的說法仍引起質疑，畢竟判斷買主是否為善意或確定身份並非易事。
美國法院擬修正《聯邦證據規則》以規範人工智慧生成內容之證據能力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。
美國專利標示不實之罰金計算美國聯邦巡迴上訴法院在2009年底於The Forest Group Inc. v. Bon Tool Co. 一案中將美國專利法35 U.S.C. § 292中關於不實專利標示(false patent marking)的懲罰金計算方式認定為罰金之計算是以每一個標示錯誤專利資訊的產品為基礎。美國專利法35 U.S.C. § 292中要求法院對專利資訊標示不實或錯誤之產品或包裝處以最高美金$500的罰金。在此案之前，許多地方法院將35 U.S.C. § 292解釋為罰金之計算是以每一次被告”決定”將產品標示不實專利資訊為基礎 (single penalty for each “decision” to falsely mark products)，不論此決定是包含一個或一整批產品。在本案中，聯邦巡迴上訴法院同意地方法院的看法認定被告Forest Group意圖藉不實專利標示企圖欺騙大眾但撤銷地方法院將罰金定為$500之判定，而將目前專利法35 U.S.C. § 292 解釋為罰金是以”每一個”標示錯誤專利資訊的產品為基礎 (penalty for false marking on a per article basis)。 為了防範日後因此案罰金計算方式而造成所謂”標示流氓”(marking trolls) 之興起，聯邦法院於其判決中特別說明其解釋並非要求法院必須將每一標示錯誤專利資訊的產品處以$500美元的罰金。因法條中之罰金是以美金$500為上限，法院有權利權衡各案例背景決定罰款金額。例如，針對大量製造但價錢低廉的產品， 法院可對每一個產品處以極少的罰金。 The Forest Group 一案是美國聯邦巡迴上訴法院第一次針對不實專利標示之罰金提出解釋，直得關注其後續引發反應。廠商也應重新檢視其產品專利標示是否有不實或錯誤之狀況以避免被控標示不實專利資訊而被處以罰款。
英國BSI發布自駕車發展與評估控制系統指引英國標準協會（British Standards Institution, BSI）於2020年4月30日發布「PAS 1880:2020：自駕車控制系統開發及評估指引（PAS 1880:2020: Guidelines for developing and assessing control systems for automated vehicles）」，該文件提供一系列的準則，提供自駕車研發者於發展控制系統時可安全有效的進行布建；本文件所涵蓋之自駕車類型主要為於（研發者）所設計及規劃之特定運行範圍內（operational design domain，以下簡稱ODD）下不需人工介入即可運送旅客與貨物者。 指引中就自駕車之控制系統設計進行分類，並提出研發者應針對不同目的與重點進行說明以及相關應遵循事項，其中應包含以下項目： 任務：自駕車之任務應被定義。 ODD：自駕車之ODD應被定義並且應可涵蓋其所有執行任務之面向。 感知運作：於任務中感知運作系統執行時，自駕車應可判斷其是否遵循ODD之範圍，並可提供相關資料予決策系統。 決策：當決策系統執行時，自駕車應可實施所有為達成任務所決策規劃之活動。 控制運作：當控制運作系統執行時，自駕車應可於正常情況下控制其動作以完成任務，並可於無法執行正確行動時採取合適之措施。 監控運作：當監控運作系統執行時，於整個任務過程中，自駕車應可監控其自身之運作。 人身安全、系統安全與有效（Safe, secure and effective）：自駕車應可於所有時刻皆保持運作之人身安全、系統安全性與有效性。