وزارت آموزش و پرورش برنامه AGAP.AI را در ژانویه ۲۰۲۶ راهاندازی کرد و وعده ابزارهای آموزشی مبتنی بر هوش مصنوعی را برای معلمان در سراسر کشور داد. تحلیلگران پیشبینی میکنند که بازار فناوری آموزشی (EdTech) فیلیپین تا سال ۲۰۳۴ به ۱۴.۵ میلیارد دلار برسد، با این حال اکثر مدارس نمیتوانند آن ابزارها را اجرا کنند زیرا شبکههایشان بسیار کند است و کامپیوترهایشان متعلق به دههها پیش هستند.
راهاندازی و هیاهوی بازار
AGAP.AI با هوش مصنوعی به عنوان یک دستیار کلاس درس برخورد میکند، نه یک محصول جنجالی برای تیتر اخبار. مایکروسافت خدماتی مانند Reading Progress را ارائه میدهد که عملکرد دانشآموز را به صورت لحظهای ارزیابی میکند. زمانبندی مناسب به نظر میرسد: یک بازار پررونق نشان میدهد که مدارس برای نرمافزارهای پیشرفته آماده هستند و سیاستگذاران تدوین استفاده از هوش مصنوعی را با DepEd Order No. 003, s. 2026 آغاز کردهاند که قوانین حریم خصوصی دادهها، رویههای رضایتنامه و الزامات حسابرسی را تعیین میکند.
اما این هیجان، یک مشکل ساختاری را پنهان میکند. ارزیابی بلوغ دیجیتال وزارتخانه نشان داد که شکافهای ارتباطی و کمبود دستگاه بزرگترین پیشبینیکنندههای نتایج یادگیری ضعیف هستند. در بسیاری از مدارس دولتی، اینترنت هر چند دقیقه یک بار قطع میشود و سختافزاری که وجود دارد اغلب نمیتواند مرورگرهای مدرن را اجرا کند یا ترافیک دادههای تولید شده توسط AI APIها را مدیریت کند. یک کلید API با کیفیت بالا نمیتواند جایگزین اتصالی شود که مدام قطع و وصل میشود.
شکاف زیرساختی
مربیان هوش مصنوعی به یک اتصال پایدار به ابر (cloud) نیاز دارند. وقتی یک مدل پاسخ دانشآموز را پردازش میکند، دادهها را به یک سرور میفرستد، پاسخ را دریافت میکند و بازخورد را نمایش میدهد—همه اینها در عرض چند ثانیه انجام میشود. اگر اتصال متوقف شود، درس نیز متوقف میشود. این ارزیابی دو نقطه ضعف تکراری را برجسته کرد:
- قابلیت اطمینان اینترنت – بسیاری از مدارس روستایی و حومه شهری از قطعیهای مکرر رنج میبرند.
- قدمت دستگاهها – بسیاری از کامپیوترهای مدارس فاقد RAM و قدرت CPU مورد نیاز برای اپلیکیشنهای وب مدرن هستند.
حتی روانترین نرمافزارها نیز زمانی که سختافزار قادر به رندر کردن آنها نباشد، شکست میخورند. معلمان در مدارس خصوصی با بودجه مناسب ممکن است عملکرد ابزارهای هوش مصنوعی را به خوبی مشاهده کنند، در حالی که همتایان آنها در مدارس دولتی شاهد هنگ کردن یا کرش کردن همان اپلیکیشنها هستند. این نابرابری، شکاف دیجیتالی را که پیشبینیهای بازار وعده بستن آن را دادهاند، عمیقتر میکند.
سیاستگذاری در تلاش برای همگامی
DepEd Order No. 003, s. 2026 تلاش میکند تا با درخواست رویههای شفاف مدیریت داده، جریانهای کاری رضایت والدین و مکانیسمهایی برای حسابرسی تصمیمات الگوریتمی، محیطی امن برای هوش مصنوعی ایجاد کند. این دستور هشدار میدهد که اگر مدارس فاقد کارکنان فنی برای نظارت بر هوش مصنوعی باشند، این فناوری میتواند به یک «جعبه سیاه» تبدیل شود. با این حال، این مجموعه قوانین فرض را بر این میگذارد که سیستم زیربنایی—شبکه و دستگاه—به طور قابل اعتماد عمل خواهد کرد.
وزیر سونانی آنگارا، هوش مصنوعی را به عنوان یک «ابزار پشتیبانی اخلاقی» معرفی کرده و بر استفاده مسئولانه به جای عملکرد محض تأکید کرده است. این دیدگاه منطقی است، اما اخلاق به تنهایی نمیتواند کلاسی را که در آن هوش مصنوعی هرگز به دانشآموز نمیرسد، اصلاح کند. بدون زیرساخت کارآمد، اقدامات مربوط به انطباق با قوانین، صرفاً تئوری باقی میمانند.
یک سیستم قابل اجرا چگونه است
طراحانی که با بافت فیلیپین آشنا هستند، در حال پیشنهاد راهکارهای عملی هستند:
- کش کردن محلی (Local caching) – ذخیره قطعات پرکاربرد مدل در سرور مدرسه، به طوری که پرسوجوهای پایه بتوانند به صورت آفلاین یا با حداقل پهنای باند پاسخ داده شوند.
- APIهای ماژولار (Modular APIs) – تجزیه سرویسهای بزرگ هوش مصنوعی به اجزای کوچکتر و قابل تعویض که اگر یک نقطه پایانی (endpoint) برای شبکه بسیار سنگین بود، بتوان آن را جایگزین کرد.
- حالتهای جایگزین (Fallback modes) – سوئیچ خودکار به یک نسخه سبکتر و مبتنی بر قانون (rule-based) از ابزار در هنگام قطع اینترنت، برای حفظ جریان یادگیری.
این انتخابها تمرکز را از یک مدل واحد و یکپارچه (monolithic) به یک معماری منعطف تغییر میدهند که در برابر اختلالات مقاوم است.
مسیر پیش رو
سوال تعیینکننده بعدی این است که آیا DepEd یک پلتفرم ملی هوش مصنوعی ایجاد خواهد کرد یا اجازه میدهد دفاتر منطقهای سیستمهای ماژولار خود را توسعه دهند. یک پلتفرم واحد میتواند حفاظت از دادهها را استانداردسازی کرده و آموزش را ساده کند، اما مشکل «ضعیفترین حلقه» را نیز به ارث خواهد برد؛ اگر سیستم ملی نتواند با پهنای باند یک مدرسه دورافتاده سازگار شود، هر مدرسهای آسیب میبیند. راهکارهای غیرمتمرکز به مناطق اجازه میدهند تا کش کردن، انتخاب API و منطق جایگزین را با شرایط محلی تطبیق دهند، اما خطر تکهتکه شدن حاکمیت دادهها را نیز به همراه دارند.
نتیجهگیری
هوش مصنوعی تحول آموزشی در فیلیپین را رقم نخواهد زد مگر اینکه شبکه و سختافزار زیربنایی با آن همگام شوند. پیشبینی ۱۴.۵ میلیارد دلاری بازار چشمگیر است و مدارس برای حمایت از آن به معماری منعطفی نیاز خواهند داشت—کش کردن محلی، APIهای ماژولار و مکانیسمهای جایگزین. برندگان مناطقی خواهند بود که برای اتصال ضعیف طراحی میکنند، نه آنهایی که به دنبال جدیدترین مدلها هستند.