英國智慧財產局發布「標準必要專利2024年展望」，確立未來關鍵目標
英國智慧財產局（Intellectual Property Office，下稱UKIPO）於2024年2月27日發布「標準必要專利2024年展望」（Standard Essential Patents: 2024 forward look），確立未來關鍵目標如下：
（1）幫助專利實施者，尤其是中小企業可更好理解標準必要專利生態系，以及「公平、合理且無歧視」（Fair, Reasonable, and Non-Discriminatory, FRAND）授權原則；
（2）針對定價和必要性，提高標準必要專利生態系的透明度；
（3）加強使用仲裁和調解制度，提高爭議解決效率。
為達上述目標，英國計畫導入以下措施：
1.設立「標準必要專利資源中心」
UKIPO預計在2024年5月前設立一線上資源中心，以提供工具、指南和其他素材等方式，協助標準必要專利生態系中之專利實施者。
2.加強與國際及標準制定組織的交流
有鑑於SEP是全球性議題，UKIPO將就標準必要專利全球生態系挑戰，加快與其他國家有關當局的討論；UKIPO並將就智慧財產權政策及中小企業參與標準化等事宜，加強與標準制定組織之間的合作。
在推動上述措施後，UKIPO預計於2024年至2025年間展開一場「與技術相關」的公眾意見徵集（a public technical consultation）。UKIPO表示，任何需要進行SEP立、修法的方法都將是公眾意見徵集的一部分，惟不會包括「當標準必要專利被侵害時，是否要限制核發禁制令（injunction）」一事。
本文為「經濟部產業技術司科技專案成果」
韓佳盈
副法律研究員 編譯整理
Standard Essential Patents: 2024 forward look, GOV.UK, https://www.gov.uk/government/publications/standard-essential-patents-2024-forward-look/standard-essential-patents-2024-forward-look (last visited Apr. 1, 2024).
韓佳盈，〈歐洲汽車供應商協會發表關於標準必要專利之政策指南，以期有關單位能給予汽車產業更明確的指示〉，資策會科技法律研究所，2023年6月，https://stli.iii.org.tw/article-detail.aspx?tp=1&d=9001&no=64（最後瀏覽日：2024/04/01）。
韓佳盈，〈美國發布關於標準必要專利之政策宣言草案，擬修改核發禁制令態度〉，資策會科技法律研究所，2022年3月，https://stli.iii.org.tw/article-detail.aspx?tp=1&d=8790&no=64（最後瀏覽日：2024/04/01）。
新加坡金融管理局（MAS）於 2023 年中旬啟動「MindForge 計畫」，旨在協助金融機構強化其人工智慧（AI）風險管理能力。該計畫於2026年3月20日完成第二階段，並發布由MAS聯合24家領先銀行、保險公司與資本市場公司等產業夥伴共同開發的「人工智慧風險管理工具包」。該工具包內含「AI風險管理營運手冊」（下稱「營運手冊」）與「AI風險管理實施案例」（下稱「實施案例」），提供實務資源以管理涵蓋「傳統AI」、「生成式AI」及「新興代理型AI」技術的相關風險，確保產業能安全且負責任的導入AI。「營運手冊」依據MAS的監理期望，將AI 風險管理框架分為四大核心：一、範圍與監管：建立AI治理框架並釐清AI監督的角色與責任。二、AI風險管理：透過組織的系統、政策與程序，識別AI應用情境，進行風險重大性評估，並建立AI盤點清單。三、AI生命週期管理：實施AI應用完整生命週期的控制措施。四、促成因素：發展組織能力、基礎設施與資源，以確保能持續支持負責任的AI應用。「實施案例」則收錄如星展銀行（DBS）及瑞士寶盛（Julius Baer）等機構的AI風險管理實務。未來，MAS 將於「BuildFin.ai」倡議下成立專責小組，持續開發建構管理新興技術風險的框架。 相較於新加坡著重建立全方位治理架構，資訊工業策進會科技法律研究所創意智財中心（下稱「資策會科法所創智中心」）於同年 2 月發布之「金融業人工智慧（AI）風險管理實務指引」，則更強調將風險控管「整合」至既有流程中，透過與業務流程的結合實踐韌性管理。該指引奠基於「人工智慧基本法」，並進一步連結「台灣智慧財產管理規範（TIPS）」驗證角度，協助機構精準掌握應用情境並具體化風險。透過將管控機制立基於資安、資訊及智財三大支柱，降低法遵成本與業務衝擊，並藉由分階段與分級管理，引導金融機構從核心防護逐步深化管控機制。 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）
歐盟提出智慧醫院防禦網路攻擊建議歐盟網路與資訊安全局於2016年11月（ENISA）提出醫院導入智慧聯網技術因應資訊安全之研究建議，此研究說明智慧醫院之ICT應用乃以風險評估為基礎，聚焦於相關威脅與弱點、分析網路攻擊情節，同時建立使用準則供醫院遵守。由於遠端病患照護之需求，將使醫院轉型，運用智慧解決機制之際，仍須考量安全防護問題，且醫院可能成為下一階段網路攻擊之目標，醫院導入智慧聯元件的同時，將增加攻擊媒介使醫院面對網路攻擊更加脆弱，因此，報告建議如下： 1.醫療照護機構應提供特定資訊安全防護，要求智慧聯網元件符合最佳安全措施。 2.智慧醫院應確認醫院內之物件及其如何進行網路連結，並根據所得資料採取相應措施。 3.設備製造商應將安全防護納入現有資安系統，並在設計系統與服務之初邀請健康照護機構參與。 在我國部分，2016年9月行政院生技產業策略諮議委員會議中即提到，強調將建立智慧健康生活創新服務模式，提供民眾必要健康資訊及更友善支持環境，同時結合ICT與精密機械及材料，發展智慧健康服務的模式。2016年11月，行政院推動「生醫產業創新推動方案」，藉由調適法規等方式統整醫療體系與運用ICT技術及異業整合，其中在智慧聯網應用下之資訊安全防護議題實屬重要。
美國能源部協助企業投入再生能源研發，及促進商業化應用美國為鼓勵與促進企業進行再生能源之研發，能源部(Department of Energy，DOE)規劃協助企業投入再生能源研發，並期加速商業化應用。為此，能源部將推出協助措施及推動計畫，其計畫經費一部分由美國復甦與再投資法案(American Recovery and Reinvestment Act)出資，另一部分來自於今年度的預算撥款。其中，三十億美元資金協助計畫將建置將近五千項涵蓋生質能、太陽能、風力發電以及其他再生能源之生產設備，另一項七億五千萬美元資金協助將改善電力傳輸系統。能源部期盼這兩項資金協助計畫，將帶動再生能源之研發，並促進新興能源科技的商業化應用。 有關美國協助民間發展再生能源計畫，今(2009)年七月底，美國能源部已公佈相關資金協助申請作業程序，預計每項提出申請計畫平均約可獲得六十萬美元額度，目前尚未對一家公司的申請額度設有上限，也並未對其可動用之資金額度設有總額限制，預計這些計畫將鼓勵私人投資再生能源，創造未來就業機會，協助帶動美國經濟。 能源部部長Steven Chu表示，這些協助計畫將激發綠色能源科技的創新，確保未來再生能源的輸送更為安全有效率，並將帶來相關就業機會。政府方面已設定目標，預計未來三年內將增加再生能源生產至目前的雙倍。為達成此一目標，必須確保有效地資金挹注才能加速再生能源的發展，同時設置完備的電力傳輸系統，整合各類型的再生能源，如太陽能與風力發電，便於日後將所生產的能源傳送至各地。
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。