Unicolors v. H&M一案可能翻轉美國著作權法§411註冊無效之認定標準
美國最高法院於2021年11月8日聽取了Unicolors v. H&M案的口頭辯論，該案上訴法院認為著作權法§411所規定的註冊無效情況，並不以著作權人登記註冊時有主觀的詐欺意圖為限，應擴及到對錯誤事實有認知就足以使著作註冊無效，此一見解打破了先例判決。
依美國著作權法規定，著作權登記雖非取得著作權保護的要件，但著作權人須向官方進行註冊登記，才得以在美國提出著作權侵害的民事訴訟，使登記成為在美國主張著作權利之要件。
本案原告Unicolors主張被告H&M銷售之產品侵害其著作權，被告H&M主張原告Unicolors著作登記所涵蓋的31種面料設計並非同一天出版，不符合同一出版作品的要求，依美國著作權法§411規定，若申請註冊之資訊不正確，該錯誤資訊有導致該著作註冊無效的可能性，被告H&M此主張被上訴法院—第九聯邦巡迴法院所接受，法院認為著作權法§411所規定的註冊無效情況，並不以著作權人登記註冊時有主觀的詐欺意圖為限，應擴及到對於該錯誤有概括性了解就足以使著作註冊無效。
原告Unicolors於今（2021）年初向最高法院提交請願書，認為第九聯邦巡迴法院此一認定打破了先例判決。原告Unicolors主張，要使著作註冊無效，必須著作權人登記時有主觀上的重大錯誤，不能僅因著作權人對於法律或事實的誤解所產生的錯誤，就使得著作註冊無效。而被告H&M則再次強調該法條使用”knowledge”一詞，表示著作權人僅須對該錯誤事實有認知即可，解讀該法條時不應侷限於詐欺的主觀要件。
美國最高法院於日前聽取了Unicolors與H&M針對「著作註冊含有錯誤資訊」是否足以導致註冊無效的口頭辯論，目前預計於明（2022）年6月作出判決，若最高法院採認第九聯邦巡迴法院的見解，將有可能造成許多美國著作註冊無效的結果，值得業界留意。
「本文同步刊登於TIPS網站（https://www.tips.org.tw ）」
- TIPS
- Justices to Weigh Registration Challenges in H&M Copyright Case
- U.S. Supreme Court questions H&M’s bid to sew up copyright win
- SCOTUS Hears Oral Arguments in Unicolors v. H&M Case that Could Redefine Copyright Registration Standards
- Justices Express Frustration Over Question Presented in Unicolors v. H&M, But Lean Toward Preserving Copyright Registration
- Unicolours v. H&M: Copyright Registration Validity
莊越程
高級法律研究員 編譯整理
Kyle Jahner, Justices to Weigh Registration Challenges in H&M Copyright Case, Bloomberg Law, Nov. 05, 2021, https://news.bloomberglaw.com/ip-law/justices-to-weigh-registration-challenges-in-h-m-copyright-case (last visited Dec. 08, 2021).
Blake Brittain, U.S. Supreme Court questions H&M’s bid to sew up copyright win, Reuters Legal News, Nov. 09, 2021, https://www.reuters.com/legal/government/us-supreme-court-questions-hms-bid-sew-up-copyright-win-2021-11-09/ (last visited Dec. 08, 2021).
Kevin Madigan, SCOTUS Hears Oral Arguments in Unicolors v. H&M Case that Could Redefine Copyright Registration Standards, copyright alliance, Nov. 09, 2021, https://copyrightalliance.org/unicolors-v-hm-oral-arguments-scotus/ (last visited Dec. 08, 2021).
Eileen McDermott, Justices Express Frustration Over Question Presented in Unicolors v. H&M, But Lean Toward Preserving Copyright Registrations, IPWATCHDOG, Nov 8, 2021, https://www.ipwatchdog.com/2021/11/08/justices-express-frustration-question-presented-unicolors-v-hm-lean-toward-preserving-copyright-registrations/id=139686/ (last visited Dec. 08, 2021).
Susan M. Kayser, Unicolours v. H&M: Copyright Registration Validity, THE NATIONAL LAW REVIEW, June 22, 2021, https://www.natlawreview.com/article/unicolours-v-hm-copyright-registration-validity-0 (last visited Dec. 08, 2021).
本文參照2025年3月21日紐約東區地方法院的Superb Motors Inc. v. Deo一案，提醒企業：在數位化與資料外洩風險日增的時代，即使資訊具有高度價值，若僅採取防火牆（Firewall）、帳號密碼之技術手段，而未採取具體之書面規範或契約之營業秘密保密措施者，法院仍可能認定不足以符合營業秘密之合理保密措施要件。 本案源於2023年8月16日，Superb汽車經銷公司控訴前股東Deo離開公司後，擅自使用其客戶名單與核心系統Dealer Management System（下稱DMS），協助競爭對手拓展業務、挖角員工，並導致前公司客戶流失。Superb公司主張，公司投入逾12萬美元整合DMS系統，且以150萬美元的廣告與行銷策略蒐集並以多年經驗建構完整的客戶資料庫，屬於具競爭優勢的關鍵資產。 法院認為，Superb公司僅以防火牆、帳號密碼限制資訊存取，期待員工自發性保密，而未提供任何形式的保密協議或明確政策文件，此舉不足以構成合理保密之手段。法院認為，營業秘密保護法所要求的保密措施，需具備可執行的契約條款，例如：保密協議或公司內部保密政策規範。 為助於訴訟舉證、減少因人力流動可能發生的資料外洩風險，企業不能僅依賴科技工具，而應積極主動地搭配企業政策與契約等法律文件。參考美國實務，建議企業採取下列營業秘密管理作法： 1.與有權接觸敏感資訊之員工、顧問簽訂保密協議，且企業應定期檢視與修訂保密條款，以確保條款符合最新的勞動法相關要求並具備可執行性。 2.建立公司內部保密制度與定期教育訓練，以確保員工理解公司要求之保密義務。 本案顯示出法院對「營業秘密合理保密措施」認定的標準，不僅留意保密技術複雜性，更著重於企業採取的保密措施（如保密契約）是否具有法律上的拘束力。 資策會科法所創意智財中心於2023年發布之「營業秘密保護管理規範」已涵蓋前述美國實務建議之管理作法，我國企業如欲精進系統化的營業秘密管理作法，可以參考此規範。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw）
美國國會提出法案，使儲能設備享有投資稅額抵減美國國會於2021年3月9日提出「2021年儲能稅制獎勵及設置法草案」（Energy Storage Tax Incentive and Deployment Act of 2021, H.R.1684），擬擴大投資稅額抵減制度（Investment Tax Credit）之適用範圍。有鑑於現行投資稅額抵減制度並不包含儲能設備，然儲能設備對於再生能源發展又具有重要地位，故為獎勵儲能設備之設置，同時輔助再生能源發展，美國國會遂提出前揭草案，並修正美國1986年國內稅收法（Internal Revenue Code of 1986, 26 U.S. Code）§48（a）（3）（A）（vii）以及§25D（a）規定，擬將投資稅額抵減制度擴張及於儲能設備，亦即，未來如草案通過後，不論是發電業者或用電戶只要有合乎規範設置儲能設備，即可適用投資稅額抵減制度，並依照其投資於儲能設備之額度抵減所得稅。 依照美國1986年國內稅收法，現行美國投資稅額抵減制度主要是依照發電業者或用電戶「開始設置再生能源發電設備之時點」以及「設置成本」給予不同程度之所得稅抵減，如發電業者或用電戶越早開始設置再生能源發電設備，發電業者或用電戶可申請抵減所得稅之額度則越高，最高可達該再生能源發電設備成本之30%；反之，如開始設置的時間越晚，則可申請抵減所得稅之額度則越低。舉例言之，如申請人於2020年1月1日以前開始設置再生能源發電設備，而於2024年1月1日前將再生能源發電設備投入營運，此時可申請抵減所得稅之額度可達該再生能源發電設備成本之30%，反之，如為2021年間開始設置，而於2024年1月1日前將再生能源發電設備投入營運，此時可申請抵減所得稅之額度僅有該再生能源發電設備成本之22%。 依美國國家稅務局（Internal Revenue Service, IRS）「針對投資稅額抵減制度施工起點標準」行政函釋（Beginning of Construction for the Investment Tax Credit），有兩種判定再生能源發電設備有開始設置之標準，其一為「物理工作物標準」（Physical Work Test），其二為「5%成本支出標準」（Five Percent Safe Harbor），申請人只要符合任一標準，即可被認定有開始再生能源發電設備設置之行為。於「物理工作物標準」下，只要該再生能源發電設備之重要基礎零件已開始組裝，即可被認定為已經有再生能源發電設備設置的行為；於「5%成本支出標準」下，只要申請人已經支出該再生能源發電設備成本之5%，即可被認定有開始再生能源發電設備設置之行為。但不論以上開何種標準，申請人都必須有不中斷且持續進行設置之事實，始可被認定為其開始設置再生能源發電設備的時間點較早，而申請抵減較多之所得稅，否則即有可能被認定開始設置的時間點較晚，而僅得申請抵減較少之所得稅。
日本修訂《教育資訊安全政策指引》以建構安全的校園ICT環境日本文部科學省於2022年3月發布「教育資訊安全政策指引」（教育情報セキュリティポリシーに関するガイドライン）修訂版本，該指引於2017年10月訂定，主要希望能作為各教育委員會或學校作成或修正資訊安全政策時的參考，本次修訂則是希望能具體、明確化之前的指引內容。本次修訂主要內容如下。 （1）增加校務用裝置安全措施的詳細說明： 充實「以風險為基礎的認證」（リスクベース認証）、「異常活動檢測」（ふるまい検知）、「惡意軟體之措施」（マルウェア対策）、「加密」（暗号化）、「單一登入的有效性」（SSOの有効性）等校務用裝置安全措施內容敘述。 （2）明確敘述如何實施網路隔離與控制存取權的相關措施： 對於校務用裝置實施網路隔離措施，並將網路分成校務系統或學習系統等不同系統，若運用精簡型電腦技術（シンクライアント技術）則可於同一裝置執行網路隔離。另外，針對校務用裝置攜入、攜出管理執行紀錄，並依實務運作調整控制存取權措施，例如安全侵害影響輕微者則可放寬限制以減輕管理者負擔。
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。