日本推動3種技術資訊管理制度以強化企業技術保護力
作為企業競爭力泉源的技術資訊其價值日趨高漲，日本經濟產業省（以下簡稱經產省）以企業界為對象，於2020年7月到2021年9月召開超過20場線上「技術外洩防止管理說明會」，以技術資訊管理為核心，推動3種技術資訊管理制度：
一、技術資訊管理認證制度
基於2018年「產業競爭力強化法」修法，推動「技術資訊管理認證制度」，促進企業通過認證，強化企業取得合作夥伴信賴之能力。
二、營業秘密管理制度
基於日本「不正競爭防止法」，推動「營業秘密管理制度」，防止企業外洩自己的機密資訊，強化企業自我保護之能力。
三、安全保障貿易管理制度
基於企業對於「外國交易行為與外國貿易法」或相關法令知識不足，推動「安全保障貿易管理制度」，避免企業輸出高階技術、高性能產品被作為軍事利用而違法，進而面臨被處刑罰、行政罰之風險，強化企業承擔責任之能力。
全球新興科技發展以及嚴峻疫情驅使之下，我國許多企業投入數位轉型、採取遠距辦公，與客戶間傳遞或保管重要技術資訊時，將增加一定程度的資訊外洩風險，日本3種技術資訊管理制度可供我國企業建構技術資訊管理機制、強化企業技術保護力之參考。
劉宥妤
副法律研究員 編譯整理
〈技術流出防止管理説明会〉，日本經產省網站，https://www.meti.go.jp/policy/anpo/seminar00.html?fbclid=IwAR37t49hiW-4zP5yMgiolWzggiTnMtJpTcqLZqG-YFlbL1cZiFve65WNSUs（最後瀏覽日：2021/08/10）。
美國德克薩斯州北區聯邦地方法院於2020年9月10日，駁回德國汽車零組件供應商大陸集團（Continental Automotive Systems）針對高通、諾基亞、夏普及其他電信公司透過Avanci授權標準必要專利（Standard Essential Patents, SEP）模式違反反托拉斯法的訴訟。法院指出，Avanci是由SEP專利技術擁有者組成的專利授權平台，而Avanci繞過零組件供應商，直接與汽車製造商就授權協議進行談判，並未違反反托拉斯法。 按大陸集團係依據《休曼法》（Sherman Antitrust Act）第2條提出反壟斷訴訟，指Avanic及其成員濫用標準制定的壟斷力量，排除其他技術擁有者並提高專利授權費用。對此，法院列舉聯邦第九巡迴法院在FTC v. Qualcomm案的相同看法指出，該行為是屬於Avanic及成員的契約問題，即SEP持有人可以選擇依照公平、合理、無歧視（Fair, Reasonable, Non-discriminatory, FRAND）的契約方式限制SEP授權，但違反此契約義務並不違反反托拉斯法。大陸集團主張SEP持有人違反FRAND授權承諾，欺騙標準制定組織，從而將專利納入產業標準；但即使這種欺騙會將被告的競爭者排除在標準之外，乃是針對競爭者本身而不是對競爭過程的損害，SEP權利人藉由價格歧視（Price Discrimination）合法地將專利價值最大化並不違反反托拉斯法。 另外，原告控訴依據還包括《休曼法》第1條，禁止事業以契約等方式限制競爭。但法院認為Avanci授權模式是與組成公司間協議訂定，該協議並不會阻止成員向非製造端客戶單獨授權。在SEP授權人拒絕與原告進行談判，或僅同意以向汽車製造商授權的相同價格與零組件供應商進行交易，頂多屬於SEP權利人間的個別行動，並未違反反托拉斯法，因而駁回訴訟。
日本制定綠色轉型基本方針草案，規劃未來10年政策藍圖在美中對抗、烏俄戰爭等地緣政治背景下，世界各國開始重視供應鏈穩定問題。日本在過去幾次供應危機中，逐漸從以化石能源為中心之產業結構，轉向以綠能為主之產業結構，為讓自身能最大限度地利用脫碳相關技術，並在維持能源穩定供應的同時，強化日本產業競爭力，日本經濟產業省於2022年12月23日公布「實現綠色轉型基本方針（草案）」（GX実現に向けた基本方針），提出未來10年政策藍圖，目前正於全國各地辦理意見交流會，徵集民眾意見。 根據上述方針草案，日本未來將採取之措施包括：（1）透過《能源使用合理化法》（エネルギーの使用の合理化に関する法律）徹底推動節能、製造業結構轉型為碳循環型生產體制，並導入蓄電池和控制系統；（2）再生能源成為主力電源，2030年再生能源占比達到36-38%；（3）2030年核能占比達到20-22%；（4）導入氫能、尿素等新能源，於2025年大阪萬博將進行實驗，並參酌外國實際案例，以安全為前提，制定合理之氫能安全戰略及國際標準；（5）整備電力及瓦斯市場，以確保供應穩定；（6）強化資源外交及國際合作，避免因依賴外國資源而產生斷鏈危機；（7）推動蓄電池產業；（8）促進資源循環；（9）運輸部門綠色轉型，包括下一世代汽車、飛機、船舶、鐵路、人物流等；（10）以脫碳為目的之數位投資；（11）住宅、建築物節能；（12）基礎設施投資；（13）碳捕捉技術；（14）食材、農林水產業轉型等。 除上述措施外，日本亦將運用綠色經濟轉型債券（暫定）及各種金融手段，支援綠色轉型前期投資。相關法案預計於下次國會提出，並於兩年內檢討具體措施。
美國發布2012「更佳建築倡議」計畫進度報告美國於2011年2月份啟動「更佳建築倡議」(Better Building Initiative)計劃，期在2020年達成降低工業和商業之能源密集度百分之二十的目標。展望2013年，美國能源部於2012年底發布該倡議之進度報告(Progress Report)。報告開宗明義指出若干有礙建築能源效率之投資障礙，擬如下: (1) 尚缺少能源效率投資成本節省之實證數據 (2) 尚缺少潛在市場和技術解決方案之相關資訊 (3) 能源效率作為商業最佳實踐尚未普遍被接受。基此，能源部致力於發展以下策略: (1) 創新產業研發 (2)促進能源效率投資 (3) 培育清潔能源之技術人員 (4) 強化聯邦公部門示範作用。 在創新產業研發面向，能源部成立「更佳建築聯盟」(Better Buildings Alliance)，此乃結合零售、食品、商業房地產、醫療照護、高等教育產業，預計於2013年將擴大到州和地方層級；聯盟成員將承諾設定節能目標，擇定高效率之建築科技進行採購。其次，在促進能源效率投資上，報告指出，因市場尚缺乏相關數據資訊(data information)，難就能源效率之市場價值(value)進行驗證；將建立起相關機制，作為未來融資和建築物改善的基礎。最後，在強化公部門示範作用上，透過聯邦能源管理計畫(Federal Energy Management Program, FEMP)和節能績效契約(Energy Savings Performance Contract, ESPC)，持續強化能源技術服務公司(Energy Service Companies, ESCO)進行聯邦建築物節能效益之提升和擔保。 綜上，可得知建築能源效率數據資訊之欠缺乃目前美國能源部在推展「更佳建築倡議」面臨的最大問題。查美國國會於2012年12月初通過「美國製造業能源技術修正法案」(American Energy Manufacturing Technical Corrections Act)，就前述聯邦能源管理計畫(FEMP)和資料蒐集標準(Data Collection)進行規範，相關法制政策趨勢殊值注意。
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。