日本公布第6期科學技術與創新基本計畫草案並募集公眾意見，著重疫情與科技基本法修正後之因應
日本內閣府於2021年1月20日發布「第6期科學技術與創新基本計畫」（科学技術・イノベーション基本計画，以下稱第6期科技創新基本計畫）草案，並自即日起至同年2月10日，對外徵求公眾意見。依2020年6月修正通過之日本科學技術與創新基本法（科学技術・イノベーション基本法，預定2021年正式公告施行）第12條規定，要求政府應就振興科學技術與創新創造的政策，擬定基本計畫並適時檢討調整，同時對外公告。而本次草案的提出，便為因應現行的第5期科學技術基本計畫即將屆期，啟動擬定下一期基本計畫。
依草案內容，第6期科技創新基本計畫延續Society5.0的願景，並以數位化及數位科技作為發展核心。但檢視至今的科技創新政策成效，數位化進程不如政策目標所預期；受COVID-19疫情影響，也提升了科技普及化應用的重要性。另一方面，科學技術基本法的修正，則揭示了人文社會科學與自然科學跨域融合運用的方向，並期待藉由創新創造納為立法目的，實現進一步的價值創造。基此，第6期科技創新基本計畫提出，應從強化創新、研究能量及確保人才與資金的三方向為主軸，結合SDGs、數位化、資料驅動及日本共通在地價值，建構出「日本模型」（Japan Model）作為實現Society5.0的框架。
針對如何強化創新能力、研究能量及確保人才與資金，計畫草案提出以下方向：
（1）強化創新能力：整體性強化創新生態系（innovation ecosystem），建構具韌性的社會體系，並有計畫地推動具社會應用可能的研發活動。具體作法包含藉由AI與資料促成虛擬空間與現實世界的互動優化、持續縮減碳排放量實現循環經濟、減低自然災害與傳染病流行對經濟社會造成的風險、自社會需求出發推動產業結構走向創新、拓展智慧城市（smart city）的應用地域等。
（2）強化研究能力：鼓勵開放科學與資料驅動型之研究，並強化研究設備、機器等基礎設施的遠端與智慧機能，推動研究體系的數位轉型；以資料驅動型為目標，多元拓展具高附加價值的研究，包含生命科學、環境、能源、海洋、防災等領域；擴張大學的機能，如增進大學的自主性，從經營的角度調整與鬆綁國立大學法人的管理與績效評鑑方式等，用以厚植創新基底。
（3）人才培育及資金循環：目標培養具備應變力與設定議題能力的人才；同時藉由資助前瞻性研發，結合大學的基礎科研成果，激發創新的產出及延伸收益，並回頭挹注於研發，建立研發資金的循環運用體系。
本文為「經濟部產業技術司科技專案成果」
劉純妤
法律研究員 編譯整理
〈「第６期科学技術・イノベーション基本計画」答申素案についての意見募集〉，日本內閣府，https://www8.cao.go.jp/cstp/stmain/20210120.html （最後瀏覽日：2021/02/05）。
〈科学技術・イノベーション基本計画について（答申素案）〉，日本內閣府，https://www8.cao.go.jp/cstp/stmain/6ki_tosinsoan.pdf （最後瀏覽日：2021/02/05）。
〈科学技術・イノベーション基本法・科学技術・イノベーション創出の活性化に関する法律〉，日本內閣府，https://www8.cao.go.jp/cstp/cst/kihonhou/mokuji.html （最後瀏覽日：2021/02/18）。
劉純妤，〈日本《第6期科學技術基本計畫方向》建言〉，資策會科技法律研究所，https://stli.iii.org.tw/article-detail.aspx?no=16&tp=5&d=8397 （最後瀏覽日：2021/02/05）。
劉純妤，〈日本通過科學技術基本法等修正案，將創新與人文科技發展納為規範對象〉，資策會科技法律研究所，https://stli.iii.org.tw/article-detail.aspx?no=64&tp=1&d=8587 （最後瀏覽日：2021/02/18）。
葉小楓，〈日本內閣府公布最新科學技術基本計畫草案，期以智慧聯網服務平台實現超智能社會〉，資策會科技法律研究所，https://stli.iii.org.tw/article-detail.aspx?no=64&tp=1&d=7106 （最後瀏覽日：2021/02/05）。
在現今資訊流通快速蓬勃發展的時代，巨量資料(Big Data)帶來效率與生產力等龐大效益已無庸置疑。相較於將資料以「資料倉儲」(Data Warehouse)模式儲存，「資料湖泊」(Data Lake)被廣泛視為巨量資料快速演進的下一步。 美國的醫療保健領域為因應巨量資料發展並提升醫療保健系統的透明度與有責性，美國醫療保險與補助中心(Centers for Medicare & Medicaid Services, CMS)於2013年底建立CMS虛擬研究資料中心(Virtual Research Data Center, VRDC)，讓研究員能夠以安全有效率的方式取得並分析CMS的龐大醫療保健資料。此種資料倉儲模式會對進入的資料預先分類，並整合為特定形式以指導後續分析的方式。缺點在於為讓資料更易於分享，會進行「資料清理」(data cleaning)以檢測及刪除不正確資訊並將其轉換成機器可讀取格式，各資料版本會被強制整合為特別形式，但資料清理和轉換的過程會導致明顯的數據流失，對研究產生不利的限制。有鑑於此，為更有效益的應用巨量資料，Pentaho首席技術官James Dixon提出新的資料儲存理論—資料湖泊(Data Lake)，此概念於2011年7月21日首先被討論於美國《富士比》雜誌中，目前在英美國家公部門和民間企業間已被熱烈討論。 與Data Warehouse最大不同在於Data Lake可包含「未被清理的資料」(unclean data)，保持其最原始的形式。故使用者可取得最原始模式的資料，減少資源上處理數據的必要，讓來自全國各政府機關的資料來源更易於結合。Data Lake主要有四點特性：1.以低成本保存巨量資料(Size and low cost)2.維持資料高度真實性(Fidelity)3.資料易取得(Ease of accessibility)4.資料分析富彈性(Flexible)。儲存超過百萬筆病患資料的加州大學歐文分校醫療中心(UC Irvine Medical Center)即以Hadoop架構為技術建立了一個Data Lake，該中心能以最原始的形式儲存各種不同的紀錄數據直到日後需要被分析之時，可協助維持資料的來源與真實性，並得以不同形式的醫療數據進行分析項目，例如患者再住院可能性的預測分析。 但相對的Data Lake在安全性和檢視權限上也有一定的風險，尤其是醫療保健領域，因為這意味著病患的資料在個資生命週期裡隨時可被取得，因此資訊的取得應被嚴密控制以維持各層級的安全與保障，在建立安全的Data Lake之前，必須審慎考慮誰有資訊檢視權限以及透過什麼媒介取得Data Lake中的資料等問題。
行政院以5年320億推動六項策略科技為展現對高科技產業的重視，即將於4月1日舉行之行政院科技顧問會議年度會議，會議重點將鎖定「科技人才發展」與「下世代網路環境建構」。在「科技人才發展」方面，林政委逢慶表示，科技人才發展攸關台灣科技核心競爭力，政府必須進行中、長期人才資源規劃運用，放眼到2015年，政府將持續積極推展延攬海外科技人才的計畫；在替代役條例修正納入研發替代役後，未來投入科技的役男員額，將從目前國防訓儲每年3,500名逐年放寬到1萬人。 另外，政府將在五年內提撥近320億元，發展軟性電子、RFID（無線射頻）、奈米科技、智慧型機器人、智慧化車輛、智慧化居住空間等六大策略性生活科技產業，今年將先提撥58億元投資這些策略性產業上。此外 行政院科技顧問對於發展台灣成為全球奈米研發中心有高度期許，近日亦在行政院科技會報中確認，今年起到2010年的五年內，將投入200億元於奈米科技生活化相關產業上。這是行政院產業科技策略會議所訂六大策略性科技產業中，編列預算最大的一筆。
談我國基因改造生物田間試驗管理規範之現況與修正方向 英國發布人工智慧網路資安實務守則英國政府於2025年1月31日發布「人工智慧網路資安實務守則」（Code of Practice for the Cyber Security of AI，以下簡稱「實務守則」），目的是提供人工智慧（AI）系統的網路資安指引。該實務守則為英國參考國際上主要標準、規範後所訂定之自願性指引，以期降低人工智慧所面臨的網路資安風險，並促使人工智慧系統開發者與供應商落實基本的資安措施，以確保人工智慧系統的安性和可靠性。 由於人工智慧系統在功能與運作模式上與傳統網路架構及軟體有明顯的不同，因此產生新的資安風險，主要包含以下： 1. 資料投毒（Data Poisoning）：在AI系統的訓練資料中蓄意加入有害或錯誤的資料，影響模型訓練結果，導致人工智慧系統產出錯誤推論或決策。 2. 模型混淆（Model Obfuscation）：攻擊者有意識地隱藏或掩飾AI模型的內部運作特徵與行為，以增加系統漏洞、引發混亂或防礙資安管理，可能導致AI系統的安全性與穩定性受損。 3. 輸入間接指令（Indirect Prompt Injection）：藉由輸入經精心設計的指令，使人工智慧系統的產出未預期、錯誤或是有害的結果。 為了提升實務守則可操作性，實務守則涵蓋了人工智慧生命週期的各階段，並針對相關角色提出指導。角色界定如下： 1. 人工智慧系統開發者（Developers）：負責設計和建立人工智慧系統的個人或組織。 2. 人工智慧系統供應鏈（Supply chain）：涵蓋人工智慧系統開發、部署、營運過程中的的所有相關個人和組織。 實務守則希望上述角色能夠參考以下資安原則，以確保人工智慧系統的安全性與可靠性： 1. 風險評估（Risk Assessment）：識別、分析和減輕人工智慧系統安全性或功能的潛在威脅的過程。 2. 資料管理（Data management）：確保AI系統整個資料生命週期中的資料安全及有效利用，並採取完善管理措施。 3. 模型安全（Model Security）：在模型訓練、部署和使用階段，均應符合當時的技術安全標準。 4. 供應鏈安全（Supply chain security）：確保AI系統供應鏈中所有利益相關方落實適當的安全措施。 「人工智慧網路資安實務守則」藉由清晰且全面的指導方針，期望各角色能有效落實AI系統安全管控，促進人工智慧技術在網路環境中的安全性與穩健發展。