德國新營業秘密保護法—契約擬定「禁止逆向工程」條款建議
德國新營業秘密保護法(The new German Trade Secrets Act, TSA)其中一個亮點即為：除非有明確契約或其他法規要求，逆向工程是合法的，其規範於該法第3條第1款，德國以往舊法（不正競爭防止法）並未特別明文，我國營業秘密法亦同。現今企業應盡快透過調整契約內容、保密政策或保密技術來防止該類法所「允許」之情形發生[1]，以避免供應鏈間之風險。德國法律專家提出有關「制定合作契約」建議供參：
- 禁止條款應有期間明文：契約起草禁止逆向工程條款時需注意其法律效力。法明文允許進行逆向工程，也代表著可促進企業市場參與並能從現有技術中受益做進一步發展。如契約一律禁止形同限制經濟自由，無論該條款訂於平行契約（如研發契約）或於垂直契約（如授權契約），往後遇有爭議恐被法院認為條款無效。故可折衷於「期間」加以限制，禁止逆向工程直到產品或服務上市為止，基本上企業只有在確信可以收回成本情況下才會投資於新技術開發。合理而言應在產品或服務公開上市後，才可以對產品或服務進行逆向工程。
- 注意誠實信用原則並延長條款效力：現行法就禁止逆向工程與否可由締約雙方協議。該禁止條款並不當然有違德國民法第307條第2項誠實信用原則而不利益於締約雙方之情況。但為避免仍有違誠實信用原則疑慮，契約可明確約定於產品或服務上市前不限制締約人使用相對人產品或服務並從中發現技術或資訊，也確保該期間內營業秘密所有權人之營業秘密專有權。合作契約亦可約定禁止條款於契約提早終止一定期間內仍有效。
[1]Dr. Henrik Holzapfel，New german law on the protection of trade secrets, https://www.mwe.com/insights/new-german-law-protection-trade-secrets/ (last visisted Sep.25,2019).
李莉娟
副法律研究員 編譯整理
1. Dr. Christopher Maierhoefer, Roksana Hosseini, Contractual Prohibition of Reverse Engineering under the New German Trade Secrets Act - a Practical Guide，Bird & Bird,(2020),https://www.twobirds.com/en/news/articles/2020/germany/vertraglicher-ausschluss-von-reverse-engineering (last visited Mar.27,2020).
2. Gesetz zum Schutz von Geschäftsgeheimnissen (GeschGehG), http://www.gesetze-im-internet.de/geschgehg/BJNR046610019.html (last visited Mar.27,2020).
3. Bürgerliches Gesetzbuch (BGB), https://www.gesetze-im-internet.de/bgb/ (last visited Mar.27,2020).
Dr. Henrik Holzapfel , New German Law on The Protection of Trade Secrets,(2018), https://www.mwe.com/insights/new-german-law-protection-trade-secrets/(last visited Mar.27,2020).
中國大陸於四月一日頒布實施「電子簽名法」後，將為電子交易、信用管理、安全認證、線上支付、稅收、以及隱私權保障等議題拉開序幕。雖然中國大陸對「公司法」、「票據法」、「證券法」與「拍賣法」均進行修訂並頒布新版本，然而卻未與「電子簽名法」銜接，也因此勢必進行後續修訂工作。 此外，為了加速立法進度，國務院辦公廳與國家發改會前後發布「關於加快電子商務發展的若干意見」與「電子商務專項通知」，信產部等部委的專項扶持基金並已開始接受電子商務企業的申請。同時，中國民生醫藥商務網的 CEO 表示，隨著中國大陸逐步開放外資進入電子商務、物流與線上支付等領域，中國電子商務企業必須盡快跨越誠信、支付、物流、稅收、盈利等五大面向，以贏得二次發展之歷史契機。
歐盟針對RFID的重要議題召開辯論RFID 的利用帶來新一波的物流及管理變革，但是侵犯人權及隱私等相關問題也引發了尖銳的討論，英美等國隱私保護團體及國會議員紛紛呼籲英制訂相關的使用規範。 歐盟在 2006 年 3 月 10 日也舉辦了一場公開意見徵詢，主要徵詢意見的議題有跨國 RFID 系統互通、相容，以及在應用上可能因洩漏位址、身份及歷程而導致的隱私及安全問題。資訊社會及媒體委員會主席 Vivien Reding 表示，隨著晶片技術進步，晶片會變得越來越聰明， RFID 全面應用後可能引發的問題可能在未來會越來越嚴重。透過多網路的連結，必然會促進經濟的繁榮及生活品質的提升，但是隱私保護的問題若不解決，將可能會影響這項科技的應用。因此，對於 RFID 未來的應用應該達成一種社會共識（ society-wide consensus ）並預先建立可信賴的保護機制。 為此，執委會將公開徵求諮詢，預計在下半年會公布意見資料，後續並可能在進行 2002 年電子通訊及隱私保護指令的修正工作及檢討 RFID 頻率的指配。
德國聯邦議院通過能源效率法，節能目標將入法德國聯邦議院於2023年9月21日通過《能源效率法》（Energieeffizienzgesetz, EnEfG）草案，確立德國能源效率目標，並規範公部門及企業的具體效率措施，及首次定義資料中心的能效標準，本法並要求德國2030目標應符合歐盟能源效率指令（EU Energy Efficiency Directive, EED）。預計聯邦參議院將在10月底審議該法律，之後將盡快生效。本次修法重點如下： 1.能源效率目標：EnEfG規定2030年德國減少初級和最終能源消耗的目標，以及2045年減少最終能源消耗的目標。以最終能源消耗而言，此代表著2030年減少約500TWh（與目前水準相比）。未來，聯邦政府將在立法期開始時，定期向聯邦議院通報目標實現情況，並在必要時決定調整工具組合。 2.聯邦及各邦的節能義務：從2024年起，聯邦政府和各邦政府有義務採取節能措施。至2030年，聯邦及各邦的最終能源消耗每年各分別節省45TWh和3TWh。 3.公部門在節能減排方面樹立榜樣：為了使聯邦和邦層級的公部門在提升能源效率方面能做為表率，未來將導入能源或環境管理系統。此外，EnEfG也規定節能措施的實施，目標是每年最終能源消耗減少2%。 4.企業能源或環境管理系統：EnEfG要求能耗較大（超過平均7.5GWh）的企業導入能源或環境管理系統，最終能源消耗總量為2.5 GWh以上的企業，則需要在實施計畫中，記錄和公布節能措施。此種作法不僅提高能源消耗的透明度，同時也讓企業可自行決定導入哪些措施以及預計的成果。 5.資料中心的能源效率及餘熱要求：新的資料中心應遵守能源效率標準，還必須利用餘熱（Abwärme）。未來，所有大型資料中心營運商應使用再生能源電力，並於公共登錄冊中記載能源消耗的資訊，以及向客戶告知其具體能源消耗狀況。 6.餘熱的避免與利用：未來應盡可能避免生產過程中產生餘熱。如果無法避免，則應利用餘熱。此外，有關企業餘熱潛力的資訊將綁定並公布在一新平台上。
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。