Ripensare l'umano nell'intelligenza artificialeCEFR A2
16 apr 2026
Adattato da Guest Contributor, Global Voices • CC BY 3.0
Foto di Steve A Johnson, Unsplash
Ci sono discussioni sul mettere l'umano al centro dell'intelligenza artificiale. Xonorika Kira dice che questa idea può escludere saperi animali, ecologici, ancestrali e spirituali, cioè modi diversi di conoscere.
Kira osserva che separare naturale e artificiale ha creato regole morali che hanno emarginato persone con corpi, generi o abilità considerati "innaturali". Questo rafforza vecchi modelli di potere invece di eliminarli.
Per cambiare, propone di riconoscere coscienza e cura attraverso specie, sistemi e tecnologie. Propone insiemi di dati situati, archivi intenzionali e modelli più piccoli, costruiti con consenso e responsabilità.
Parole difficili
- sapere — conoscenza o informazioni su un argomentosaperi
- artificiale — fatto dall'uomo e non presente in natura
- emarginare — lasciare fuori o isolare persone o gruppiemarginato
- coscienza — stato di consapevolezza o percezione mentale
- archivio — raccolta organizzata di documenti o datiarchivi
- consenso — accordo o permesso dato da persone coinvolte
Suggerimento: passa il mouse o tocca le parole evidenziate nell’articolo per vedere definizioni rapide mentre leggi o ascolti.
Domande di discussione
- Pensi sia importante riconoscere saperi animali, ecologici o ancestrali? Perché?
- Hai esempi di situazioni dove il consenso è importante nella tecnologia?
- Come si può evitare di emarginare persone con corpi o generi diversi?
Articoli correlati
Database nazionale dei prelievi d'acqua negli Stati Uniti
Due ricercatori della Virginia Tech hanno creato il primo database nazionale sui prelievi d'acqua negli Stati Uniti. La risorsa, pubblicata su Nature Scientific Data, è disponibile al pubblico e contiene milioni di record standardizzati.
Perché l'intelligenza artificiale produce risultati ingiusti
Una ricerca dell'University of Texas at Austin indica che molti bias nell'intelligenza artificiale nascono perché i modelli non catturano la complessità del mondo reale. Lo studio individua tre fattori che aumentano il rischio di risultati ingiusti.