日本規制改革推進會議促進農業數據利用
日本政府規制改革推進會議係由內閣府發布政令所成立，具跨部會協調性質、推動日本法規調適之委員會，規制改革推進會議於今（2020）年7月2日向安倍晉三首相報告，從去年10月起歷經8個月審議規制改革項目的審議結果後，最新版「規制改革實施計畫」於7月17日通過閣議決定。規制改革實施計畫中關於農林水產領域「促進智慧農業普及」項目，除了促進無人機、自動行走機普及、農作物栽培設施設立而調和相關規定外，「農業數據利活用」項目首見於規制改革實施計畫，實施項目包括以下四項：
- 利用農林水產省補助金（見註1）導入曳引機、農業機器人、無人機、IoT機器等智慧農業機械時，應符合以下要件：根據農業領域AI數據相關契約指引，農民可以使用其所提供給系統服務業者所保管之數據，該契約條文應包含於數據契約中。
- 農林水產省與農機廠商合作建構OPEN API數據環境，透過使用農機時所取得位置座標、作業紀錄等數據，未來農民可以將此數據使用於非出自該農機廠商的其他軟體。
- 農林水產省於2022年度預算開始，利用補助金導入農機廠商的農機時，須符合上述第2點OPEN API要求。
- 農林水產省將發出以下明確通知：因鳥獸害、緊急救難、搜索犯人、農業道路塌陷等應配合公家機關等具高度公共性事務，以及為保護人的生命身體財產等必要之情況，農機廠商如事前已徵得農民的概括性同意，可提供從農民方所取得之數據予有關當局。
日本政府為加速智慧農業落地普及，藉由調和農林水產省補助金規定促進農業數據流通運用，保護農民數據使用權利，且將農業數據擴散利用於公共事務，凸顯日本政府對於農業數據保護與運用的重視，值得我國做為借鏡。
註1：補助金不限於「有關補助金等預算執行適正化相關法律［昭和 30 年法律第 179 號］」（補助金等に係る予算の執行の適正化に関する法律［昭和 30 年法律第 179 号］）的補助金，包括其他交付金、委託費。
「本文同步刊登於TIPS網站（https://www.tips.org.tw）」
劉宥妤
副法律研究員 編譯整理
日本農業新聞，〈規制改革会議が答申 米検査１年かけ見直し 准組の意思 経営に反映〉，2020/07/03，https://www.agrinews.co.jp/p51245.html（最後瀏覽日：2020/08/11）。
日本農業新聞，〈規制改革会議が答申骨子案 農業分野は７項目〉，2020/06/23，https://www.agrinews.co.jp/p51153.html（最後瀏覽日：2020/08/11）。
〈規制改革実施計画（令和2年7月17日閣議決定）〉，内閣府網站，頁36-37，https://www8.cao.go.jp/kisei-kaikaku/kisei/publication/keikaku/200717/keikaku.pdf （最後瀏覽日：2020/08/11）。
〈規制改革推進に関する答申（令和2年7月2日）〉，内閣府網站，頁72-73，https://www8.cao.go.jp/kisei-kaikaku/kisei/meeting/committee/20200702/200702honkaigi01.pdf （最後瀏覽日：2020/08/11）。
可專利性（Patentability）與專利適格（Patent-Eligibility）常被混用，但實際上兩者並不可以畫上等號。 具專利適格不等於可專利一事，在指標判例In re Bilski可窺知端倪：「新穎性（Novelty）、進步性（Non-obviousness，或稱非顯而易見性）的分析，和35 U.S.C. §101（專利適格的法源）無關，而是分別以35 U.S.C. §102、35 U.S.C. §103作為法源。」顯示專利適格、實用性（Utility，或稱「產業利用性」）、新穎性、進步性，互不隸屬。梳理美國專利法教課書（Casebook）和判決內容，可知：「專利適格」是取得專利的基礎門檻、資格，具專利適格，並不必然可專利，還須符合實用性、新穎性、可進步性，才是一個「可專利」的發明。另應強調，「專利適格」除了需要滿足§101法條文字外，還需要滿足美國專利與商標局（USPTO）的兩階段標準（Two-Step Test）審查。 綜上，可整理出這個公式： 可專利性=專利適格（§101+兩階段標準）+實用性（§101）+新穎性（§102）+進步性（§103) 觀察美國專利法教科書的編排方式，亦可了解思考脈絡：先介紹專利適格，再依序介紹實用性、新穎性、進步性。另，「實用性」在作為名詞時是採“Utility”一字，而非“Usefulness”，這兩個詞微妙的差異是前者具「有價值的（Beneficial）」之意涵，也呼應Justice Story在 Bedford v. Hunt對「實用」（Useful）經常被援引的解釋：「要能在社會中做出有價值的（Beneficial）應用，不可以是對道德、健康、社會秩序有害（Injurious）的發明，也不可以是瑣碎（Frivolous）或不重要的（Insignificant）。」
防疫也須防弊！美國加州檢察總長針對醫療照護機構遭受勒索軟體攻擊提出適當措施與事故通報指引由於近日頻傳醫院遭受勒索軟體攻擊（ransomware attacks），美國加州檢察總長於2021年8月24日發布官方公告（bulletin）：在加州州法「醫療資訊保密法」（Confidentiality of Medical Information Act, CMIA）與聯邦法「健康保險可攜與責任法」（Health Insurance Portability and Accountability Act of 1996, HIPAA）規範下，蒐集、處理和利用醫療健康資料的醫療照護機構，有採取適當措施與事故通報的義務，以維護醫療健康資料保密性。 針對「採取適當措施」的內容，美國加州檢察總長於本次官方公告中，提出明確指引（guidance）：醫療照護機構須至少採取下列5項防範措施（preventive measures），以避免勒索軟體威脅： 確保所有存取醫療健康資料的作業系統與軟體，均升級至最新版本； 安裝防毒軟體，並維護其運作； 定期為員工舉辦教育訓練，包含教導員工不要點擊可疑網址和防範釣魚電子郵件（phishing email）； 限制員工下載、安裝和運作未經批准的軟體； 維護和定期測試資料備份與救援計畫，以便於事故發生時，控制對資料和系統的影響範圍及程度。 此外，針對「資料外洩事故通報義務」（breach notification obligations），美國加州檢察總長指出：依據「加州民法」（California Civil Code）第1798.82條，擁有或經授權使用含有個人資料的「電腦化資料」（computerized data）的醫療照護機構，於發生，或可合理確信發生，影響超過500位加州居民的資料外洩事故時，即負有將該事故通報檢察總長辦公室的義務。
Apple獲得針對可攜式電子裝置之防竊系統的專利Apple Inc.成功取得一個防竊安全系統的專利權，該系統能簡單地藉由偵測外界環境而防止筆記型電腦、電話以及其他可攜式電子裝置遭竊。 於原始申請案中，申請人提到了許多竊案皆提供了某些非偶然的移動線索，例如快速且持續的移動。因此，藉由分析該裝置於一段期間內的移動，該防竊系統應可辨別出竊盜或合法使用者。因此，當使用者暫時離開時，他們能放心地將可攜式電子裝置留下，而不需要加裝纜線鎖或其它物理性安全裝置。 根據該專利，此防竊系統包含加速規(accelerometer)以及相對應的軟體。加速規可在某些位置或震動情況下自動傳送一訊號至該裝置核心的硬體，致使其觸發聲音或影像警報。此外，該裝置也能完全被鎖住，並且需要一組密碼使其回復到正常使用狀態。 雖然Apple很小心地避免在說明前述機制時指明特定的應用硬體，但藉由該專利說明書的描述，可以很清楚的了解Apple的構想是將該防竊系統安裝在iPod上。當然，手機以及筆記型電腦也是安裝該防竊系統的顯著標的。
強化AI安全防線：八國連署AI與機器學習供應鏈風險管理指南日本國家網路安全辦公室（国家サイバー統括室）於2026年3月5日，代表日本連署了「AI、機器學習供應鏈風險與緩和措施」（Artificial intelligence and machine learning Supply chain risks and mitigations）之國際文書（下稱本文書），並公布本文書內容。本文書是由隸屬於澳洲訊號局（Australian Signals Directorate，簡稱ASD）之澳洲網路安全中心（Australian Cyber Security Centre，簡稱ACSC）主導訂定，主要針對有導入或開發 AI、機器學習系統與元件等需求的組織，揭示其可能存在供應鏈風險與提升整體網路安全之重要性，並就AI開發或採購階段，組織應留意相關風險與可採行之緩和措施。有關連署國家，除了日本與澳洲以外，也包括加拿大、紐西蘭、韓國、新加坡、英國與美國等共八個國家皆已完成連署。 本文書內容強調組織於管理 AI、機器學習等風險時，應將 AI 供應鏈視為整體網路安全戰略的一環，同時評估產品或服務之整體生命週期風險，不應著重於單一技術，而是組織需要掌握整體供應鏈的全貌，包括特定關係事業者、活用AIBOM（AI物料清單，主要用來記錄AI模型相關資產與資訊，提供快速定位與管控AI問題模型功能）或SBOM（軟體物料清單，主要記錄軟體相依元件，用於漏洞管理與供應鏈透明度）、意識到是否已針對AI、機器學習系統可能帶來的風險，進行漏洞管理，以及針對AI、機器學習系統所導致之網路安全事件建立應處機制等。 本文書將AI、機器學習供應鏈風險大致區分為五類：AI 數據、機器學習模型、AI 軟體、AI 基礎設施（含硬體），以及第三方服務，本文書指出AI、機器學習應用於供應鏈時可能產生之風險，其中包括數據品質不良、資料受竄改、模型遭植入惡意程式碼、軟體元件複雜導致難以保證其安全、硬體與韌體擴大攻擊面，以及導入第三方服務致使供應鏈產生弱點等。 此外，本文書也針對各類風險提出可行的因應方法，例如： 1.數據面：需做標準化搜集、外部資料檢疫、資料前處理與完整性驗證。 2.模型面：需從可信來源取得透明模型，實施性能驗證與惡意程式偵測。 3.軟體面：需做完整性驗證、元件審核，並透過 SBOM 掌握已知弱點。 4.硬體面：需確認設備無惡意內容，並在網路中適當分區。 5.第三方服務面：需持續評估與監控供應商的資安實務與脆弱性管理。 總結來說，日本已意識到國家網路安全治理下，針對AI、機器學習的安全，不單是模型安全，而是涉及整體性供應鏈安全。日本藉由與他國連署國際文書，不僅強化國際合作，同時建立供應鏈網路安全共識，因應AI對於國家供應鏈之網路安全挑戰，從資料、模型、軟體、硬體到第三方服務等視角提出具體因應方法，作為全面提升國家整體網路安全環境之參考指引。日本透過強化與他國合作，提升國家網路安全治理之作法，值得我國未來借鏡參考。