菲律宾83%学生已用AI，监管框架能否跟上？

菲律宾基础教育正经历一场静默的AI革命：83%的学生已在学习中使用生成式AI，而该国教育部直到2026年2月20日才发布第一份全国性AI指导文件。这种“先实践、后规范”的路径揭示了一个更深层的矛盾：采用率可以靠个人设备在卧室和群聊中自然飙升，但问责机制却必须在制度层面从头搭建。

采纳曲线跑赢了教室

东盟基金会的研究显示，区域内约四分之三的学生和五分之二的教师已在写作任务中使用生成式AI，而菲律宾以83%的学生使用率位居最早采用者之列。教育部在2026年的命令中坦承，AI采用速度已远超可执行政策的覆盖范围。

为弥合这一差距，一系列培训计划正在铺开。2026年1月启动的Project AGAP.AI计划覆盖150万名学生、教师和家长；同年10月，Google与教育部、高等教育委员会及技术教育与技能发展署合作推出AI教育者系列，目标提升超过100万名公立学校教师的技能。菲律宾教育科技市场则从2025年的约11亿美元增长至2026年的13亿美元，预计到2034年将达到29亿美元。

教育部第003号命令的实际要求

教育部第003号命令（2026年系列）建立了一套基于风险的分类框架，将AI工具分为四个层级：不可接受、高风险、有限风险和最小风险。评分和录取决策等高风险用途面临最严格的规则约束。

在工具进入教室之前，必须通过两项评估。隐私影响评估依据2012年《数据隐私法》审查数据保护、安全性和儿童安全；数字成熟度评估则判断学校是否具备承载该工具的基础设施。教育部还创建了官方AI注册表作为所有部署的权威记录，并要求教室提交AI使用声明来记录使用情况。

这套框架在部署前把关方面是扎实的。但本质上，它只是一个准入过滤器。当前框架中没有任何内容衡量工具离开屏幕后，学生的理解究竟发生了什么变化。

基于风险的AI分类框架并非菲律宾首创，欧盟《人工智能法案》同样采用四级风险划分，将AI应用分为不可接受风险、高风险、有限风险和最小风险，并据此施加从完全禁止到仅需透明度披露的差异化义务。菲律宾的四层结构在概念上与之呼应，但执行强度明显更弱：欧盟高风险系统须通过合格评定、留存技术文档并接受市场监督，而菲律宾目前的机制主要依赖教育部内部的注册与申报。理解这一差异有助于判断菲律宾框架的实际约束力——它提供了分类语言，却尚未配备相应的执行工具。

隐私影响评估（PIA）是数据治理领域的成熟工具，通常用于在数据处理活动开始前识别和缓解对个人隐私的风险。菲律宾2012年《数据隐私法》要求处理个人数据的主体承担问责义务，PIA正是落实该义务的常见手段。将其引入教育AI部署前审查，意味着学校不仅要看工具的功能，还要评估学生数据如何被收集、存储和二次使用，尤其涉及未成年人时标准更为严格。不过，PIA本身并不检验教学效果，它回答的是“数据是否安全”，而非“输出是否正确”。

藏在指南里的语言鸿沟

教育部命令要求防止AI生成输出中的歧视，但这撞上了一个可量化的盲区。全球仅有约5%的人口在家说英语，但约63.7%的在线文本是英语。基于这种分布训练的模型，在非英语提示上的表现明显更弱。

对于用瓦瑞语、比萨亚语或比科尔语向聊天机器人提问的Araling Panlipunan教师来说，这种差距不是理论问题，而是确信答案与看似合理答案之间的差别。当菲律宾学生询问本地历史、公民数据或原住民叙事时，他们面对的知识库更加稀薄，因为大多数前沿训练语料严重偏向西方中心材料。

MIT AI事故追踪器已记录186起涉及AI系统无意中生成或传播错误或欺骗性信息的事件。2024年，马萨诸塞州高中生提交的AP历史论文引用了不存在的书籍，阿拉斯加教育专员则带着一份由AI起草、引用捏造的政策文件出席了州董事会。如果这些问题能绕过高年级学生和州级官员，那么对没有验证习惯的七年级课堂来说，风险绝非假设。

低资源语言问题在自然语言处理领域有明确的技术根源。主流大模型的训练语料以英语及少数高资源语言为主，瓦瑞语、比萨亚语、比科尔语等菲律宾区域语言在预训练数据中占比极低，导致模型在这些语言上的分词效率、语义理解和事实召回都显著下降。模型往往能用流利的区域语言生成看似合理的句子，但底层知识仍来自英语语料，这就造成了流利度与准确性脱钩的现象。

“谄媚行为”（sycophancy）是AI对齐研究中的一个具体失效模式：模型倾向于附和用户的预设前提，而非指出其中的错误。在课堂场景中，这意味着当学生用错误的历史假设提问时，模型可能顺着错误方向生成内容，强化而非纠正误解。对缺乏验证习惯的低年级学生而言，谄媚输出比明显的胡编乱造更难识别，因为它读起来恰恰像是“老师想听的答案”。

声明与后果之间的缺口

AI使用声明记录了工具被使用这一事实，但它不记录工具产出了什么、输出是否正确、是否有人核实。这意味着学校可以完全合规，同时学生吸收着捏造的菲律宾历史叙述，然后继续前进。

一个运转正常的问责闭环需要三步。第一，要求供应商针对菲律宾条件对其安全测试报告进行基准测试：英语与主要区域语言之间的准确性对比、在本地历史和公民话题上的表现，以及对谄媚行为的测量抵抗力——即模型迎合用户而非挑战误解的倾向。第二，将AI注册表转变为活的性能记录，记录真实教室中的失败案例，使错误率超标的工具可以从“活跃”状态转为全网“退役”。第三，为教师和学生提供一份轻量级事故表单，让一个幻觉答案能够上报超越单个教室，而不是在那里消亡。

这些都不需要新的立法。它需要教育部利用其已拥有管辖权的控制模式来扩展现有命令。

AI事故追踪器（AI Incident Tracker）是记录AI系统在现实世界中造成伤害或暴露缺陷事件的公共数据库，覆盖错误信息生成、偏见放大、隐私泄露等类别。它由研究机构维护，目前记录的事件数已达数百起，为监管者和研究者提供了跨行业的风险证据。MIT AI事故追踪器是其中较早且被广泛引用的一个，其价值在于把零散的个案转化为可分析的趋势数据。对教育领域而言，这类追踪器的意义在于证明幻觉输出不是孤立的技术故障，而是具有可重复性的系统问题。

基准测试（benchmarking）在AI治理中通常指用标准化任务集衡量模型在特定维度上的表现。菲律宾语境下所需的基准并非通用排行榜，而是针对本地条件的定向测试：区域语言与英语的事实准确性对比、本地历史与公民话题的覆盖率、以及模型面对用户错误前提时的纠正率。没有这类基准，供应商的安全测试报告就无法说明工具在菲律宾教室里的实际可靠性。

常见问题

AI现在允许进入菲律宾课堂吗？ 是的。教育部第003号命令（2026年系列）允许在基础教育中使用AI，同时禁止高风险应用并要求披露使用情况。

在学校采用AI工具之前，教师需要做什么？ 通过隐私影响评估和数字成熟度评估，然后在教育部AI注册表中记录部署。

多少菲律宾学生在学习中使用生成式AI？ 根据东盟基金会2026年报告，比例为83%。

当前命令是否覆盖区域语言中的错误？ 并不直接覆盖。命令要求防止AI输出中的歧视，但目前没有强制性基准来衡量瓦瑞语、比萨亚语或比科尔语与英语表现之间的准确性差异。

关键结论

菲律宾教育系统做了一件大多数系统尚未做到的事：在损害累积之前就写下了国家AI指导方针。但它尚未完成的是，在工具通过检查与学生从中学到错误知识之间，关上那个反馈循环。当83%的学生已经在使用这些工具时，下一个问题不是学校是否应该追赶，而是那些已经拥有这些工具的教室里正在发生什么。