训练AI需要大量数据，可医院、银行手里的数据又不能随便给人。印度的思路是：不交出原始记录，也能让数据参与训练。先说结论：印度电子信息技术部联合 iSPIRT 基金会发布了“DEPA AI训练框架”草案，提出一套技术加法律的架构，用于跨行业共享汇总、批量的数据集训练AI模型。
需要先说明：这只是“供讨论的草案”，代表政府的规划，并不是已上线的系统。文件把它定位为面向AI时代的第二代数字公共基础设施。它也与金融领域由 Sahamati 运营的账户聚合器（AA）同意体系——即处理个人层面数据、用于推理的 DEPA Inference——划清了界限。
四根支柱和两种部署方式
- 数据交换平台：负责发现、注册和访问，草案提名 AI Kosh 为候选。
- 电子合同：机器可读、加密签名的协议，自动执行数据使用条款。
- 安全数据环境（SDE）：硬件隔离区，训练在其中进行，不暴露原始数据。
- 差分隐私：加入经过校准的统计噪声，并由经审计的隐私预算管控。设计遵循 ADEPTS 原则，并能与 AI Kosh、API Setu 和国家数据与分析平台互通。
角色分三类：训练数据提供方（医院、银行、公共机构）负责注册、匿名化和加密数据；训练数据使用方（初创公司、研究者、监管机构）训练模型；商业性的行业数据协作体在各自领域内汇聚数据。部署方式草案留了两种：提供方自己匿名化，使用方可在SDE内训练或下载数据；或者由交换平台负责匿名化，只能在隔离区内访问。
训练流程：五步走
- 数据集注册、加密，并加上加密标记或水印。
- 使用方的请求按电子合同条款自动校验。
- 训练限定在SDE内，原始数据不暴露，应用差分隐私，日志不可篡改。
- 独立验证：偏见与公平性审计、对抗鲁棒性测试和可解释性检查。
- 上线后持续监控，并可追溯到源数据和合同。
安全上采用零信任，静态、传输和处理时都加密，并实时监测异常；支持联邦学习和安全多方计算，假名化密钥留在数据来源机构。数据集按2012年的 NDSAP 政策分为开放、注册和受限三类，可选的“AI溯源链”分布式账本会不可篡改地记录所有数据处理。草案称与印度《2023年数字个人数据保护法》、欧盟《AI法案》和美国 HIPAA 等一致。
有没有证据说明不会牺牲效果
草案引用的案例是 Penn Medicine 与 Intel 的项目：71家机构组成联盟，在保密的“洁净室”里用联邦学习训练脑肿瘤检测模型，没共享原始病人数据，模型准确率达到假想中心化训练模型的99%。作者据此认为，保护隐私并不必然牺牲性能。
宏观上，草案引用了AI到2030年为全球经济增加15万亿美元的预测，印度自身份额约5000亿美元GDP；印度储备银行专家委员会估算中小微企业未满足的信贷需求为20万亿到25万亿卢比，草案认为用替代数据做AI授信，可能触达约4亿目前在正规信贷体系之外的个人和小企业。印度科技部秘书阿巴伊·卡兰迪卡尔（Abhay Karandikar）说，印度研究者长期面临“数据鸿沟”，这个框架不是监管文件，而是国家基础设施的一部分。
常见问题（FAQ）
DEPA 现在已经上线了吗？
没有，目前只是“供讨论的草案”，代表政府规划。
它和 DEPA Inference 有什么区别？
训练框架处理汇总、批量数据，用于训练模型；Inference（如金融的账户聚合器）处理个人层面数据，用于推理。
“安全数据环境”是什么？
一种硬件隔离区，训练在里面进行，使用方看不到原始数据。
差分隐私有什么用？
给结果加入经过校准的统计噪声，让别人很难从模型反推出某个人的数据。
隐私保护训练会拉低模型效果吗？
草案引用的联邦学习案例显示，准确率达到中心化训练的99%，作者据此认为影响不大，但这是草案方面的论证。