TRAI AI 电信安全提速，但人工监督必须跟上

TRAI 主席 Anil Kumar Lahoti 在 9 月 14 日支持赋予电信网络更高的 AI 自主性，同时警告称，有害决策需要迅速的人为干预。他的表态将 TRAI AI 电信安全政策置于一项艰难的权衡之中：运营商需要以网络速度作出反应的自动化系统，但当系统出现错误时，客户也需要可追责的人工决策者。

Lahoti 在新德里举行的 CO.AI 2026 活动上表示，人工智能能够影响网络管理、服务设计、风险识别和运营决策。他还认为，自动化不能模糊责任归属。他表示，电信运营商和技术供应商应当对高影响力系统保留人工监督。

这一警告之所以重要，是因为印度已经超越了电信 AI 的实验阶段。Bharti Airtel、Reliance Jio 和 Vodafone Idea 均在使用自动化系统识别垃圾信息或欺诈模式。TRAI 还要求运营商共享机器生成的垃圾信息情报，并协调执法行动。

如今的核心较量已不再是 AI 与人工网络管理之间的竞争，而是快速自动化行动与可追责干预之间的平衡。如果每一条警报都要等待人工处理，安全系统就会失去价值。然而，不受约束的自动化可能会错误限制合法来电者、信息发送者、企业或服务。

Lahoti 的立场并非反对自主网络，而是为其设定了一项条件：电信 AI 必须加快检测，同时保留一条短而清晰的路径，用于审查具有重要影响的错误。

TRAI AI 电信安全从建议走向运营政策

TRAI 正将电信 AI 视为运营基础设施，而非遥远的政策议题。

Lahoti 在 CO.AI 2026 发表了上述讲话。该论坛由印度蜂窝运营商协会与英国高级专员公署共同举办，议程聚焦自主网络、安全与韧性，以及面向公民和公共服务的 AI 应用。

根据对其网络自主性讲话的报道，Lahoti 将电信网络描述为印度最复杂的基础设施系统之一。他表示，该行业可以从传统自动化迈向自主性显著更高的网络。

传统自动化遵循针对已知情形预先制定的规则。更具自主性的系统会观察网络数据、评估情况、选择行动，并随着条件变化进行调整。这一区别提高了风险，因为软件开始参与决策，而不再只是执行固定指令。

其承诺具有现实意义。AI 系统能够分析数百万通电话、信息、设备和网络事件中的流量模式，比人工团队处理警报快得多。它还可以关联那些单独审查时看似无害的信号。

安全只是其中一种应用。运营商可利用 AI 预测设备故障、分配容量、降低能耗并安排维护优先级。面向客户的系统则可对垃圾信息分类、路由支持请求，或识别可疑账户活动。

这些应用有一个共同的重要特征：它们将预测转化为会影响真实用户的行动。模型的输出可能决定一条信息是否收到警告、一个域名是否被封锁，或一条移动连接是否面临调查。

这正是 Lahoti 将更高自主性与问责联系起来的原因。他的观点并非 AI 不应继续作出决策，而是当机器参与决策后，责任归属仍必须清晰可辨。

这一时机也反映了 TRAI 近期的监管工作。2026 年 2 月 27 日，监管机构发布了一项关于垃圾信息情报的指令，涵盖运营商之间的信息共享及监管行动。该指令旨在将 AI 和机器学习检测系统生成的情报制度化。

此举改变了自动化标记的影响范围。一家运营商网络内生成的疑点，可能成为另一家运营商或监管机构使用的共享情报。潜在的安全收益扩大了，但错误分类也可能传播得更远。

较早的系统通常只是向单个用户显示警告，客户仍需自行决定是否接听或拦截来电。协调框架则可以在没有个人投诉的情况下支持主动执法。

这是一项重大的政策转变。AI 生成的评估正越来越接近监管行动的执行机制。一旦如此，准确性、记录留存、申诉以及纠错速度便会成为公共利益要求。

因此，Lahoti 的评论为现有部署计划增加了一层治理要求。问题不再是运营商是否会使用 AI，而是这些系统将获得多大权限，以及自动化判断失误时会发生什么。

更快的检测让运营商承受更大压力

让 AI 有用的同一种速度，也压缩了发现错误决策的可用时间。

电信安全系统处理的事件发展速度过快，无法仅依赖人工审查。一个诈骗活动可以在传统调查得出初步结论前，就不断更换手机号、信息模板、链接和设备。

基于 AI 的检测提供了不同的运营模式。它可以识别异常呼叫频率、短时通话模式、重复目的地、可疑链接或关联设备集群。随后，系统可以向客户发出警告，或将案件送入执法工作流程。

这一方式使印度主要运营商面临双重压力。监管机构和客户期待更快地打击垃圾信息和欺诈；与此同时，合法发送者也期待不受干扰的访问，以及对错误分类提出异议的有效渠道。

Airtel 同时提供了这两方面的有用示例。其官方垃圾信息识别条款称，公司会分析行为模式、呼叫频率、时长、可疑 URL、设备标识符以及超过 250 项衍生参数。

Airtel 会将符合条件的电话或信息标记为疑似垃圾信息。其条款规定，在该特定流程中，最终是否拦截仍由客户决定。条款还表示，公司不保证系统的准确性、可用性或无错误运行。

这一限定不只是法律措辞，它体现了概率型安全机制的根本局限。模型只是估计某项活动是否类似已知滥用行为，并不掌握发送者身份、目的或授权的完整信息。

高频行为可能意味着诈骗活动，也可能来自医院、配送服务、学校、银行、紧急通知系统或政府机构。背景信息能够区分有害流量与合法通信，但模型并不总能获得足够的背景。

漏报则造成相反的问题。复杂的攻击者可以将活动分散到多个账户，或改变行为以低于既定阈值。因此，一个看似谨慎的模型可能会遗漏最重要的诈骗活动。

运营商必须在欺诈手法不断变化的同时平衡这些错误。拦截过于激进的过滤器会扰乱合法服务；过于避免误报的过滤器则可能让客户暴露在有害来电和链接之下。

TRAI 2026 年 3 月的提案显示，监管正在开始利用 AI 分类结果，但并未将其视为充分证据。根据关于拟议投诉门槛的报道，若 AI 系统在前 10 天内已标记某个号码，TRAI 提议在收到三起不同投诉后采取行动。现有门槛为五起投诉。

这一结构将机器检测与人工举报结合起来，并不允许算法独自决定一切。然而，AI 标记会改变额外证据触发行动的速度。

该提案还处理了中断重要通信的风险。当诈骗者滥用某个已注册的发送标识或信息模板时，TRAI 提议先暂停该特定资产。发送者将获得 24 小时纠正问题，之后才可能对更广泛的流量采取暂停措施。

这种更有针对性的响应体现了 Lahoti 言论核心的干预原则。自动化系统需要采取相称的行动。一个可疑组件不应自动停用与某个组织相关的所有服务。

随着运营商将检测系统连接至跨网络体系，压力还会进一步增加。共享信号能够揭露任何单一运营商都无法独自发现的协同滥用行为；但如果接收方缺少重新评估所需的证据，它也可能放大错误标签。

因此，全网安全需要的不只是交换风险评分。运营商还需要共享定义、时间戳、原因代码、证据标准和纠错程序。否则，速度虽然提升，问责却会变得更难追溯。

自主网络需要真正有效的人工覆盖机制

只有获得授权的审查人员能够迅速理解、暂停并撤销自动化行动时，人工监督才能保护客户。

“人在回路中”常被当作令人安心的说法，但其运营细节决定了它是否真正有意义。执法之后才收到无法解释的风险评分的人，无法提供有效监督。

可行的覆盖机制始于部署之前。运营商必须决定 AI 系统可以独自采取哪些行动、哪些行动需要批准，以及哪些行动仍被禁止。这些边界应反映潜在伤害，而不只是模型的平均准确率。

低影响行动可以获得更高程度的自动化。调整网络容量或为内部调查确定优先级，通常只会造成有限的即时伤害。断开号码、封锁域名或延迟关键信息，则需要更高标准。

审查人员还需要有用的证据。“模型置信度：94%”这样的警告并不能解释其底层决策。工作人员需要了解相关行为信号、近期历史、关联事件，以及生成结果的规则或模型版本。

这些证据必须迅速送达。Lahoti 对及时干预的强调表明，数日后才得到的正确申诉结果，在实际层面仍可能意味着失败。企业可能错过客户来电，消费者则可能在紧急情况下失去服务。

负责任的设计问题涉及三个不同的时间维度。

首先，系统必须在数秒或数分钟内检测到可疑行为。检测延迟会让滥用行为在高流量通信网络中扩散。

其次，系统应通过相称的响应限制即时伤害。警告、临时冻结或定向限制可以降低风险，而无需假定每一项预测都是最终结论。

第三，运营商必须为后果严重的决策提供快速升级处理机制。合格人员应能够审查证据、恢复服务，并将纠正措施同步至相连的系统。

这些保障措施还应形成审计轨迹。每一项具有重要后果的决策，都需要记录输入信号、所采取的行动、批准权限以及后续审查。可审计性使监管机构能够区分孤立错误与系统性偏见或薄弱的运营控制。

TRAI 在9月事件之前已提出过类似原则。在2026年2月举行的 India AI Impact Summit 上，Lahoti 表示，效率提升必须伴随透明度、问责制、人工监督和明确的护栏。监管机构的负责任 AI 会议还讨论了建立 AI 事件数据库的标准，以记录电信和关键数字基础设施中的故障。

事件数据库将弥补电信 AI 治理中的一项重大弱点。运营商只有在故障得到持续记录和分析时，才能改进系统。零散的投诉无法揭示多个网络是否正在犯同样的错误。

报告机制还有助于区分模型错误与政策错误。模型可能准确识别出异常模式，但过于宽泛的规则可能将这一观察结果转化为缺乏正当依据的断网操作。修复模型并不能解决实际问题。

当多家机构参与其中时，责任可能变得模糊。运营商可能负责网络运行，供应商可能提供模型，另一方则可能维护威胁情报。监管机构需要明确哪一家实体能够调查并撤销一项决定。

合同不能成为唯一的答案。客户面对的是服务提供商，而不是风险评分背后隐蔽的供应商链条。即使系统的一部分由第三方开发，运营商仍需承担运营责任。

电信服务商还应通过模拟事件测试干预流程。如果员工在真实故障期间无法识别决策负责人，书面的升级政策几乎无法提供保护。

最有价值的测试应衡量具体结果。定位负责系统需要多长时间？员工能否还原决策过程？他们能否暂停类似行动？一项纠正措施能以多快速度传达给其他运营商？

这些问题将人工监督从伦理口号转化为工程要求。它们也说明，TRAI AI telecom security 不能仅凭检测率来评判。

AI 安全收益拥有真实证据，但也存在重要缺口

印度已有证据表明，数据驱动的电信防御能够奏效，但引人注目的整体成果并未揭示合法用户被误伤的频率。

印度电信诈骗应对的规模表明，监管机构为何希望采用自动化检测。人工处理个案无法高效关联来自运营商、金融机构、警察部门、支付系统和消费者报告的信息。

印度电信部运营着 Digital Intelligence Platform，这是一个用于交换疑似滥用电信资源信息的安全平台。2026年2月的一份政府更新称，已有超过1,200家机构加入该平台。

参与者包括中央安全机构、覆盖36个邦和联邦属地的警察机构、银行、支付服务商以及电信公司。该系统支持双向情报共享，而非依赖单一机构的视角。

政府表示，其 ASTR 系统利用 AI 和大规模分析识别可疑移动连接，在复核验证失败后促成了超过880万次断连。复核验证之所以重要，是因为系统的发现触发了审查，而非作为唯一证据。

同一份电信诈骗更新称，一套国际伪造来电防范系统在24小时内拦截了1,350万通电话。官员表示，该系统于2024年10月启用后，显示印度号码的伪造来电已下降近99%。

这些数字支持以机器速度进行防御的理由。号码伪造和协同诈骗利用了电信系统的规模与互联结构。自动化分析能够识别个人客户投诉中难以发现的模式。

不过，汇总后的执法总数无法回答若干治理问题。它们没有显示有多少合法连接进入复核验证流程，也没有衡量申诉处理时间、服务恢复率，或不同地区和客户群体之间的差异。

这些数据还将检测与后续行政流程混在一起。一条因未通过复核验证而被断开的连接，并不能证明 AI 的初始判断在每一个案例中都独立正确。

运营商自行报告的结果也存在类似局限。Airtel 表示，在推出诈骗和垃圾信息检测工具后，其网络上的投诉有所下降。其条款还将识别和拦截描述为尽力而为的服务，并不保证提供完整保护。

这两种说法可以同时成立。系统可以减少整体损害，同时仍造成代价高昂的个体错误。负责任的评估既需要群体层面的结果，也需要个案层面的问责。

攻击者也会适应。当运营商开始检测高通话频率时，恶意发送者可以将流量分散到更多号码上。当过滤器检查可疑 URL 时，犯罪分子可以使用重定向、新注册域名、图片，或将受害者转移至其他渠道的对话。

这种对抗性环境使永久性的准确率主张尤其不可靠。电信 AI 必须针对新战术持续接受评估。一个在某个季度表现良好的模型，可能会因攻击者行为变化而失去效力。

因此，安全团队应跟踪的不止是标记总量。有用指标包括：被标记案例中确认的诈骗比例、通过投诉发现的漏检滥用、成功申诉、恢复服务的中位时间，以及涉及同一检测规则的重复错误。

独立测试将强化这些衡量指标。运营商有正当理由保护敏感的安全方法，但保密不应阻止监管机构审查系统表现和对消费者造成的损害。

审慎的结论很直接。AI 已展现出足以证明继续部署合理性的价值。但公开证据仍不足以断定，当前系统能否持续平衡速度、准确性和救济机制。

这种不确定性支持 Lahoti 对护栏的呼吁。它并未削弱 TRAI AI telecom security 的依据，而是界定了判断政策是否成功所需的证据。

核心较量在于自动化行动与可问责行动

如果问责机制拖慢每一次响应，电信安全会失效；但当无人能够纠正自动化错误时，它同样会失效。

AI 供应商常将自主性描述为一条成熟度阶梯。网络先从人工操作的工具起步，继而发展为辅助决策，最终达到能够独立管理多项功能的系统。

电信安全并不适合“自主性越高越好”的简单模型。不同决策带来的后果不同，适当的自动化程度也会随之变化。

系统可以自动收集信号，而不直接伤害客户。它可以以有限后果对警报进行优先级排序。但拦截通信、限制服务或在运营商之间共享指控，则需要更强的控制措施。

因此，正确的比较并不是自主网络与旧式人工系统之间的比较，而是可问责的自主性与不透明的自主性之间的比较。

可问责的自主性允许软件在明确限制内快速行动。它会记录行动发生的原因，通知可识别的负责人，并支持撤销。组织仍需为结果负责。

不透明的自主性专注于处理吞吐量。它可以处理海量数据，却无法提供清晰解释，也无法指定由谁解决错误。当错误决定被扩散时，它的速度就会变成负担。

Lahoti 的评论将电信运营商和技术公司置于这一分界线中应承担责任的一侧。他的言论也对监管机构施加压力，要求其将问责要求具体化。

宽泛原则无法告诉网络团队，某一风险评分能否触发拦截。它们也无法规定申诉必须在多快时间内处理，或谁必须收到事件报告。

详细标准需要界定高影响决策、必需日志、升级权利和可接受的干预时间。它们还应说明，在一家运营商推翻某项分类后，共享情报应如何得到纠正。

监管机构也面临自身的权衡。高度规定性的规则可能随着攻击方式和网络架构变化而过时。模糊的义务则可能导致各运营商之间的保障措施不一致。

基于风险的方法提供了一条中间路径。它为潜在危害更大的行动赋予更强控制，同时允许运营商更新技术检测方法。

9月论坛还引入了国际维度。英国代理高级专员 Ben Mellor 表示，犯罪分子正在利用 AI 实施诈骗，而机构也可以运用同一技术更早识别伤害模式。COAI 与英国高级专员公署签署了一份备忘录，涵盖 AI、数字连接、信任和技术合作。

跨境合作十分重要，因为诈骗网络、技术供应商和通信流量很少局限于单一司法管辖区。运营商可以就诈骗模式和事件响应交流经验，而无需采用完全相同的监管制度。

行业代表支持更深入地采用 AI。Bharti Airtel 高管 Rahul Vatts 将 AI 与电信描述为一个连续体，而 Reliance Jio 高管 Ravi Gandhi 则强调在有组织诈骗防范方面开展合作。他们的立场反映出运营商需要应对不断增长的流量和威胁规模，却不希望以同等速度扩充人工审查团队。

然而，行业支持并不能独立证明每一次部署都是安全的。运营商能从减少滥用和自动化运营中受益，同时也掌握了评估错误所需的大量性能数据。

TRAI 的作用是将这些激励与消费者保护连接起来。监管机构必须允许有价值的试验，同时确保效率不会将隐性成本转嫁给被自动化系统错误分类的人。

这种平衡使 Lahoti 的警告比一般性的负责任 AI 呼吁更具意义。它关乎已经嵌入关键基础设施、已经影响客户体验，并且日益为监管行动提供输入的系统。

三个信号将表明护栏是否真实存在

下一项考验在于，TRAI 和运营商是否会将人工监督转化为可衡量的流程，而非反复将其作为一项原则。

第一个信号是针对高影响自动化决策的详细框架。TRAI 应明确哪些行动需要事先人工批准、即时通知或快速事后审查。

这样的框架将通过把风险等级与运营规则相连接，强化 Lahoti 的论点。若缺少该框架，每家运营商都可能以不同方式理解问责制。

最重要的细节是干预时限和决策责任归属。对一名号码在关键时期被错误限制的发送者而言，承诺最终审查无法提供保护。

第二个信号是运营商之间共享 AI 垃圾信息情报的落地实施。TRAI 在 2 月发布的指令为更早识别协同诈骗活动创造了机会，但也考验着纠正机制能否像指控一样迅速传递。

应关注运营商是否交换标准化的原因代码和支持性指标，而不只是可疑号码清单。同时还应关注：在审核成功后，是否存在移除或更新共享标记的流程。

可靠的纠正机制将强化协同 TRAI AI 电信安全 的价值。运营商之间若持续存在不一致，则说明互操作性已走在治理机制之前。

第三个信号是结果与错误指标的公开。被标记通话总量、断开连接数或拦截链接数反映的是活动规模，却无法衡量公平性或准确性。

TRAI 和运营商应以一致的形式披露已确认的滥用率、申诉结果、恢复时长以及重大 AI 相关事件。汇总报告能够保护敏感的安全技术，同时揭示保障措施是否真正有效。

事件数据库将尤为有价值。它可以展示与模型漂移、数据不完整、供应商变更或过度严格的执法规则有关的重复性故障模式。

这三个信号构成了一项务实的检验。决策规则界定何时必须由人工介入。共享纠正机制防止一个错误扩散。公开指标则揭示系统是否按预期运行。

构建电信 AI 的开发者应当重视这一点，因为治理要求将塑造产品架构。可解释性、审计日志、可逆操作和访问控制，无法在部署后以低成本补上。

企业采购方应询问供应商：每一项自动化决策由谁负责，以及错误发生后如何还原决策过程。他们还应测试，人工审核人员能否暂停存在问题的工作流，而无需关闭整个安全系统。

消费者应关注救济机制。垃圾信息警告固然有用，但具有实质影响的限制措施需要清晰可见的申诉渠道和可预期的响应时间。

Lahoti 的立场为更自主的网络留下了空间，但拒绝没有责任的自主化。这一方向是正确的，但决定性的工作仍在后面。

当 AI 系统在电信决策上出错时，运营商是否会公开证据，证明快速干预确实有效？答案将决定印度的网络自动化会成为可追责的基础设施，还是仅仅成为更快速的执法工具。