美國國家標準暨技術研究院規劃建立「人工智慧風險管理框架」，並徵詢公眾對於該框架之意見
美國國家標準暨技術研究院（National Institute of Standards and Technology, NIST）為管理人工智慧對於個人、組織以及社會所帶來之風險，於2021年7月29日提出將建立「人工智慧風險管理框架」（Artificial Intelligence Risk Management Framework, AI RMF）之規畫並徵詢公眾意見，截止日為9月15日，並預計於10月發布正式報告。
依照NIST說明，公眾所建議之人工智慧風險管理框架，可促進人工智慧之可信賴性，其中包含如何應對並解決人工智慧於設計、發展及使用過程中所遭遇之「精確度」（accuracy）、「可解釋性」（explainability）、「偏見」（bias）等議題。此外，上開管理框架預計為非強制性、供企業自願性使用於人工智慧設計、發展、使用、衡量及評估之人工智慧標準。
依現有公眾意見徵詢結果，其中DeepMind公司建議於人工智慧設計初期，必須預先構思整體系統之假設是否符合真正社會因果關係。舉例言之，當設計一套可預測民眾健保需求程度之系統時，如輸入參數僅考量民眾於醫療上的花費，將使僅有可負擔較高醫療費用之民眾被歸類為健保需求程度較高者，從而導致健保制度排擠經濟負擔程度較差之公民，故在設計系統時，應從預先設定之假設事實反面（counter-factual）思考並驗證是否會產生誤差或公平性之問題（例如預先思考並驗證「醫療費用支出較低之民眾是否即可被正確歸類為健保需求度低之民眾」）。惟進行上述驗證需要大量社會資料，因此DeepMind也建議NIST應建立相關機制，使這些社會資料可以被蒐集、使用。
此外，亦有民眾建議管理框架應有明確之衡量方法以及數值指標，以供工程界遵循。同時鑒於人工智慧發展極為快速，未來可能有不同於以往之人工智慧類型出現，故亦建議NIST應思考如何在「建構一套完整且詳細之人工智慧治理框架」與「保持人工智慧治理框架之彈性與靈活性」之間取得平衡。
最後，目前也有許多徵詢意見指出，許多人工智慧治理之目標會相互衝突。舉例言之，當NIST要求人工智慧系統應符合可解釋性，則人工智慧公司勢必需要經常抽取人工智慧系統中之「數據軌跡」（audit logs），惟數據軌跡可能被認為是使用者之個人資料，因此如何平衡或完善不同治理框架下之目標，為未來應持續關注之議題。
本文為「經濟部產業技術司科技專案成果」
王柏霳
法律研究員 編譯整理
National Security Commission on Artificial Intelligence, Final Report, https://www.nscai.gov/wp-content/uploads/2021/03/Full-Report-Digital-1.pdf (last visited, Sep. 28, 2021).
DeepMind, Request for Information: Artificial Intelligence Risk Management Framework, https://www.nist.gov/system/files/documents/2021/09/17/ai-rmf-rfi-0105.pdf (last visited, Sep. 28, 2021).
Comments Received for RFI on Artificial Intelligence Risk Management Framework, NIST, https://www.nist.gov/itl/ai-risk-management-framework/comments-received-rfi-artificial-intelligence-risk-management (last visited, Sep. 28, 2021).
AI RMF Development & Request for Information, NIST, https://www.nist.gov/itl/ai-risk-management-framework (last visited, Sep. 28, 2021).
〈歐盟提出人工智慧法律調和規則草案〉，資訊工業策進會科技法律研究所，https://stli.iii.org.tw/article-detail.aspx?no=55&tp=1&d=8674（最後瀏覽日期：2021/09/28）。
巴拿馬避稅文件被揭露後，引發歐洲議會(European Parliament)重新檢視正待審核的歐盟營業秘密指令草案(the proposed Directive on Trade Secrets Protection)，避免企業營業秘密之保護影響揭弊人(whistleblowers)舉發企業弊端之意願。 執委會2013年11月正式提出歐盟營業秘密指令草案，目的為調合歐洲內部市場營業秘密規範，以建立保護創新者的環境，並維持歐洲企業競爭優勢。2015年12月執委會、歐洲議會及理事會(the Council of the European Union)召開三方會議協商，對於歐盟營業秘密指令內容達成共識，準備進入立法表決。 巴拿馬事件發生後，公民團體Corporate Europe Observatory之代表Martin Pigeon認為，歐盟營業秘密指令可能成為企業對付揭弊人的工具，以掩蓋不當或違法行為，而公開弊端資訊的揭弊人可能因洩漏營業秘密而有刑事責任。但主導該指令立法程序之歐洲議會議員Constance Le Grip表示，營業秘密指令會明確地將記者及揭弊人除罪化。 事實上，為了保障公共利益所為之揭露行為，執委會2013年提出的草案已納入揭弊人排除條款。根據草案第4條第2項規定，會員國應確保為了公共利益目的而揭露不當、錯誤或不法活動(revealing a misconduct, wrongdoing or illegal activity)，不會觸犯(entitle)營業秘密法之任何罪名。換句話說，即便取得企業機密之方式違法，揭弊人為了公共利益之行為不會違反營業秘密指令。 歐盟營業秘密指令僅建立歐盟保障營業秘密之最低標準，若歐盟營業秘密指令順利通過，仍待會員國依據該指令各自立法，訂立境內營業秘密相關規範，以落實營業秘密之保護。
發展階段支出可列為資產過去高科技企業或生化公司的研發專案，公司經常認為專案已成熟，可認列為無形資產，以分成幾年攤銷，不致影響損益；但會計師卻可能認為，其無技術可行性或者無使用和出售可能，仍主張認列為費用。 第三十七號會計公報 「無形資產的會計處理」 新近出爐，就無形資產清楚給予定義，並解釋如何進行會計處理與鑑價。其中最特別的是，第三十七號公報首次區分「研究」和「發展」階段的不同，發展階段有可能資本化。資本化最大的影響是，支出可以列為資產，不會影響損益，研究型企業的資產負債、損益表也將更為精準。 舉例來說，生化、製藥業者因研究期很長，所有研發期間的投入，過去都須列為費用，導致獲利被明顯稀釋；未來根據三十七號公報，企業專案計畫接近商品化的發展階段，就可以資本化，此時的損益表上費用項目，就不會那麼高， 因此，「發展」階段可列為資產，有助鼓勵科技業者增加研究發展經費的投入。 至於企業併購所產生的購買價格和被併公司淨值之間的溢價，過去通常以商譽處理，不過在 37 號公報上路後，會計師建議不應再把溢價直接當作商譽來處理，此乃因第 37 號公報所稱的無形資產，並不包含商譽，且必須具有「個別可辨認性」。因此，併購溢價應該區分為商譽和無形資產兩者，其後續評價對企業也較為有利。 此外會計業者也表示，促產條例中對研發投抵的認列，有可能受到三十七號公報的影響，需要做調整，這部分有待財政部進ㄧ步規範清楚。
美國聯邦通訊管理委員會對LPTV的新管制措施為了確保農村地區低功率電視(LPTV)播送的服務，與協助該等地區傳輸數位訊號，美國聯邦通訊委員會(FCC)決議從2009年8月25日起，不再接受新的類比傳輸運用與設備建置之申請，只允許新的數位低功率電視(new digital-only LPTV)及其有關之電視訊號轉換站的設置申請。此申請機會將限於特定區域，以及採行「先申請先服務」(first-come, first-served)的處理程序。此外，針對全國性的核發執照申請，則於2010年1月25日開始受理。 低功率電視起源於1982年，係FCC為了地方導向、實踐表意自由權利與促進文化多樣性，而在小型社區允許低功率電視執照擁有者得享有「次級性頻譜使用權」(secondary spectrum priority)，於VHF(2-13)或UHF(14-51)頻段中，提供電視節目播送之服務。 根據2005年聯邦赤字削減法(Federal Deficit Reduction Act of 2005)規定，美國已於2009年6月12日全面停播類比訊號節目，改以數位訊號播送，但該法並未規範低功率電視台播送訊號的數位化時程，故有關既有低功率電視相關之管制亦須一併修訂，方能達到全數位化的視聽環境目標。
日本對未來2020年至2030年間網路基礎設施之預測日本總務省未來網路基礎設施研究會（将来のネットワークインフラに関する研究会）4月份針對日本人工智慧（Artificial Intelligence 簡稱AI）、物聯網（Internet of Things 簡稱IoT）、資訊及通訊技術（Information and Communication Technologies 簡稱ICT）等技術相對應之網路基礎設施做作出預測。 在2020年以後第五代通信技術（5G）、物聯網系統、高畫質通訊等技術相繼成熟及普及化，相關業者勢必發展出多樣化、高度專業化使用者需求之網路結構，而手機聯網系統從單純的資訊傳遞網路，逐漸變成社會系統之神經網絡（社会システムの神経網）。 物聯網服務目前係由專用終端設備，並根據特定的應用目的建構，但在未來的網絡基礎設施，可能出現如橫向合作應用的通用平台，到2030年左右物聯網服務中M2M（Machine to Machine，機器和機器之間的通訊）的佔有率估計將達到10％。 人工智慧網路技術不僅僅是虛擬化層網路（仮想化レイヤのネットワーク）之維護和操作，更是物理層面的網路（物理レイヤのネットワーク）資源的管理，AI仍然只擔任協助之工具。其中，物理網絡（物理ネットワーク）和邏輯網絡（論理ネットワーク）應分別處理，邏輯網絡將型成多層次化，將變得難以檢測故障和調查原因，但在安全和可靠的網絡基礎設施下，經營者使用AI技術仍然是沒有問題的。 由於雲端技術、通訊技術之提昇，非電信營運者進入網路經營之商業型態逐漸產生，型成網路使用者、資料提供者之多樣性及複雜性。網路流量方面，在2030年左右將超出100Tbps核心網絡所需的傳輸容量，達到以往的光纖的容量限制，將透過無線電接入技術進一步發展，補足不足的光學寬頻。然而，人們對於網路更快的通信速度、安全性及可靠性的功能需求是沒有改變的。