AI & CONFLICTS
F. Dzodan
Algoritmi e colonialismo Hereafter. Sonic Acts 2019
Algoritmi e colonialismo
Algoritmi e colonialismo

Nel suo Cultural Encyclopedia of the Body, Victoria Pitts-Taylor risale all'Illuminismo per tracciare le classificazioni razziali e le conseguenti analisi quantitative sugli esseri umani . Tuttavia, la ricercatrice spiega come il periodo precedente e successivo all'Illuminismo non fu solo caratterizzato da esplorazioni, raccolte dati e sistemi di quantificazione. Le tassonomie e le classificazioni umane facevano parte di un processo di conquista coloniale, di saccheggio e sottomissione. I dati raccolti per “provare” la presunta inferiorità o non-umanità di determinati gruppi venivano utilizzati per giustificare la conquista delle popolazioni indigene nelle Americhe e la schiavitù transatlantica. Il corpo nero, sottoposto ad analisi statistiche, calcoli e misurazioni del tono della pelle, veniva considerato non-umano in base a queste tassonomie, create tramite la raccolta di dati relativi alle caratteristiche fisiche e/o comportamentali dei gruppi in questione. Allo stesso modo, nelle Americhe, la corona spagnola instaurò il sistema dell’encomienda, una forma di lavoro forzato per le popolazioni indigene, in cui una certa percentuale della popolazione veniva assegnata ai lavori agricoli o in miniera sotto la direzione dei conquistadores, i quali, a loro volta, pagavano le tasse alla Corona per questo servizio. Già nel 1495, Colombo condusse un censimento della popolazione Taino nell'attuale Repubblica Dominicana e ad Haiti per quantificare il numero di nativi da assegnare alla corona spagnola per lavoro e tributi.

La classificazione umana basata sull'espansione coloniale europea raggiunse il suo apice alla fine del XVIII secolo, quando lo scienziato svedese Carl Linnaeus classificò gli esseri umani in base a marcatori razziali e “temperamenti”. La sua classificazione, il Systema Naturae, divise i gruppi in cinque principali razze, con la quella europea in cima alla scala tassonomica. Il suo lavoro fu fondamentale per quello che viene chiamato razzismo scientifico, con conseguenze che si ripercossero per secoli, ed effetti che perdurano ancora oggi.

Fig. 1 - Una pagina del Systema Naturae di Carl Linnaeus (1758). Fonte: archive.org

 

Carl Linnaeus, considerato il “padre della tassonomia moderna”, nacque in Svezia nel 1707 e morì nel 1778. Pubblicò la prima edizione del suo Systema Naturae nei Paesi Bassi, che divenne il testo fondante della tassonomia moderna. Linnaeus, noto per la sua scarsa modestia, descriveva così il suo contributo alla scienza: “Dio creò, ma Linnaeus organizzò”.

Linnaeus ha sviluppato un sistema per classificare le forme di vita (un sistema binomiale che ci ha assegnato solo due generi e ha stretto la sessualità in un nodo permanente), ma gli è anche riconosciuta un’enorme influenza nel definire il modo in cui i musei classificano gli artefatti.

Fu proprio Carl Linnaeus, con il suo “razzismo scientifico”, a fornire le basi ideologiche che giustificarono la schiavitù degli africani, i genocidi dei nativi americani e la colonizzazione di vaste aree del mondo, poiché “l'uomo bianco” era considerato superiore a tutte le altre razze. Fu grazie a Linnaeus che il colonizzatore trovò una giustificazione nella sua presunta superiorità per sottomettere tutte le altre razze. L'Europa dell'Illuminismo ebbe finalmente una base intellettuale per occupare, saccheggiare, devastare e iniziare il processo plurisecolare di accumulazione delle risorse che ha portato al capitalismo odierno.

Le tassonomie di Linnaeus non si limitarono alla fondazione del razzismo scientifico. Dobbiamo al suo Systema Naturae anche la nostra comprensione di genere e sesso. Come osserva Londa Schiebinger nel suo articolo “Why Mammals are Called Mammals: Gender Politics in Eighteenth-Century Natural History”:

Nel 1758, nella decima edizione del suo Systema Naturae, Carl Linnaeus introdusse il termine Mammalia nella tassonomia zoologica. Per la sua rivoluzionaria classificazione del regno animale – considerata nel XX secolo come il punto di partenza della nomenclatura zoologica moderna – Linneo coniò questa parola, che significa letteralmente “del seno”, per distinguere la classe di animali che include esseri umani, primati, ungulati, bradipi, lamantini, elefanti, pipistrelli e tutti gli altri organismi con peli, tre ossa dell'orecchio e un cuore a quattro camere. In questo modo, rese la mammella femminile l'icona di quella classe.

Schiebinger aggiunge:

La nomenclatura di Linnaeus viene più o meno data per scontata come parte del suo lavoro fondativo per la zoologia. Nessuno ha affrontato le origini sociali o le conseguenze del termine Mammalia. Certamente, nessuno ha messo in discussione la politica di genere che ha informato la scelta di questo termine da parte di Linnaeus.
È possibile, tuttavia, vedere la coniazione linneana come un atto politico. La presenza delle mammelle produttrici di latte è, dopo tutto, solo una caratteristica dei mammiferi, come era comunemente noto ai naturalisti europei del XVIII secolo. Inoltre, le mammelle sono “funzionali” solo in metà di questo gruppo di animali (le femmine) e, tra queste, per un periodo di tempo relativamente breve (durante l'allattamento) o per nulla. Linnaeus avrebbe potuto derivare un termine da una serie di altre caratteristiche altrettanto uniche e forse più universali della classe che aveva designato come mammiferi, scegliendo ad esempio Pilosa (i pelosi) o Aurecaviga (quelli con orecchie cave).
 
[…]
 
Il termine Mammalia ottenne quasi subito un'accettazione generale. Ci furono, però, detrattori di rilievo. Buffon disprezzò l'intero progetto della tassonomia, in particolare quella linneana e la sua nomenclatura. Per Buffon, il compito del naturalista era descrivere ogni animale in modo preciso – il suo modo di riprodursi, nutrirsi, le sue abitudini e il suo habitat – non dividere la natura in gruppi artificiali con nomi incomprensibili di origine greca o latina .

Qui devo aggiungere una nota a margine. Inavvertitamente, il Comte de Buffon offre uno sguardo sul progetto dell'Illuminismo: “Dividere l'abbondanza della natura in gruppi artificiali. L'abbondanza che era al cuore del progetto coloniale”. In effetti, Georges-Louis Leclerc, Comte de Buffon, collega e  contemporaneo di Linnaeus, ebbe profonde divergenze con il naturalista svedese. Leclerc insisteva sul fatto che la natura non dovesse essere classificata in termini così rigidi. Considerava queste tassonomie arbitrarie e capricciose piuttosto che tentativi rigorosi di creare una nomenclatura scientifica valida. Pur condividendo credenze razziste con Linnaeus, credeva almeno nell'origine comune di tutti gli esseri umani.

Torniamo ora a Londa Schiebinger, che continua:

Nello stesso volume in cui Linnaeus introdusse il termine Mammalia, coniò anche il nome Homo sapiens. Questo termine, “uomo sapiente”, venne usato per distinguere gli esseri umani dagli altri primati […] Così, nella terminologia linneana, una caratteristica femminile (la mammella che allatta) lega gli esseri umani agli animali, mentre una caratteristica tradizionalmente maschile (la ragione) segna la nostra separazione da essi.

Linnaeus era, naturalmente, un uomo del suo tempo. Classificare gli uomini maschi come razionali e connessi alla logica e le donne come appartenenti alla natura era allora piuttosto comune. Linnaeus seguì la tradizione occidentale nella creazione di queste dualità: se gli uomini erano i signori della ragione e della logica, le donne appartenevano alla natura.

Schiebinger sottolinea un altro aspetto importante:

Le relazioni coloniali influenzavano anche il modo in cui veniva percepito il seno. Alla fine del XIX secolo, gli antropologi classificavano i seni per bellezza nello stesso modo in cui misuravano i crani per valutare l'intelligenza. Il seno ideale – per tutte le razze – era ancora una volta giovane e verginale. Gli europei preferivano il tipo compatto ed “emisferico”, ritenuto presente solo tra popolazioni bianche e asiatiche. I seni delle donne africane (in particolare delle Hottentot) venivano disprezzati in quanto flaccidi e penduli, simili alle mammelle delle capre. Quando le donne di discendenza africana venivano ritratte in modo simpatico, erano tipicamente mostrate con seni fermi e sferici, come nell'illustrazione di John Stedman della sua giovane amante mulatta, Joanna, poi divenuta sua moglie.

Per Charles White, medico di Manchester e noto razzista, il segno distintivo della superiorità europea si trovava nel seno delle donne europee: «In quale parte del globo potremmo trovare l’arrossire che si diffonde sui morbidi lineamenti delle belle donne d’Europa, quell’emblema di modestia, di sentimenti delicati e di intelletto? […] Dove, se non sul seno della donna europea, si trovano due emisferi così turgidi e candidi, sormontati di vermiglio?».

Così, la fissazione di Linneo per le mammelle femminili, pur essendo nuova nella tradizione zoologica, affondava le proprie radici in un contesto culturale di lunga data.

Dobbiamo quindi ringraziare queste tassonomie  per il modo in cui le donne vengono sia sessualizzate sia razzializzate: queste classificazioni continuano a informare ciò che consideriamo standard di bellezza accettabili. Esse determinano l'accesso alle cure sanitarie – segnate da stereotipi corporei che portano un'eredità di disuguaglianze razziali – e, cosa altrettanto importante, queste classificazioni tassonomiche sono alla base dell'esclusione sistematica delle donne trans dalla categoria delle donne. Dopo tutto, se ciò che ci rende donne sono solo i seni e le funzioni riproduttive, chi è autorizzato a definirsi donna e chi viene violentemente escluso dall'essere parte del genere femminile?

Poco dopo che queste tassonomie furono messe in moto, divennero la pietra angolare delle prime forme di database, o progetti proto-Big Data, prima che venissero sviluppati i mezzi digitali per archiviare i dati. Il censimento, quindi, è uno dei primi progetti di Big Data per classificare e dividere gli esseri umani in rigide categorie di razza e genere, separando la "bianchezza" da tutto il resto. Man mano che i dati del censimento acquisivano maggiore importanza come strumento politico e di sviluppo economico, le categorie razziali acquisivano maggiore granularità e specificità.

Nel 1840, il governo degli Stati Uniti condusse un censimento secondo il quale le persone nere libere del Nord soffrivano di un tasso più elevato di malattie mentali rispetto ai loro omologhi schiavizzati del Sud. In seguito, questi dati, contestati come manipolati e falsati, furono usati non solo per giustificare la schiavitù, ma anche per mettere a tacere i dissidenti e gli abolizionisti.

Fig. 2 - Definizione di frenologia con illustrazione dal Webster's Academic Dictionary(1895). Fonte: commons.wikimedia.org


Nel XIX secolo, Cesare Lombroso, tuttora considerato il fondatore della criminologia moderna, divenne un noto scienziato con le sue teorie sulla criminalità basate sulle caratteristiche fisiche di determinati gruppi. Egli trasse ispirazione dalle tassonomie di Carl Linnaeus e cercò di svilupparlo misurando metodicamente la dimensione dei crani, l'inclinazione del naso, la distanza tra gli occhi e la posizione delle orecchie per determinare la propensione di alcuni gruppi a commettere reati. La sua sistematica raccolta di dati, basata sul metodo pseudoscientifico noto come frenologia, lo portò a concludere che «solo noi bianchi abbiamo raggiunto l'ultima simmetria della forma corporea» . Lombroso basò le sue teorie sulle propensioni criminali delle persone non bianche su “teorie biologiche della devianza” che legavano l'aspetto fisico a comportamenti specifici. Queste teorie, sviluppate attraverso accurate raccolte di dati e mappature del corpo umano, furono utilizzate dalle forze di polizia in Europa e Nord America per determinare la probabilità che i sospettati commettessero dei reati. Furono anche utilizzate dal sistema di giustizia penale per determinare le pene da infliggere a coloro che erano ritenuti più inclini alla recidiva, in base alla loro razza o all’aspetto fisico.

Fig. 3 - Fisiognomica delle donne delinquenti russe, tavola I da La donna delinquente: la prostituta e la donna normale di Cesare Lombroso e Guglielmo Ferrero (1904). Fonte: archive.org 


Gli olandesi avevano i loro archivi di Big Data, grazie alla VOC o Compagnia delle Indie Orientali Olandesi. La VOC era una delle prime multinazionali o corporazioni transnazionali, considerata allo stesso tempo come una compagnia commerciale e una compagnia di navigazione, un proto-conglomerato che si diversificava in molteplici attività commerciali e industriali, tra cui il commercio internazionale (soprattutto intra-asiatico), la costruzione navale, la produzione e il commercio di spezie delle Indie Orientali, zucchero di Formosa e vino sudafricano. La VOC è considerata da molti storici la prima impresa capitalista in senso moderno. Essa commerciava anche esseri umani ridotti in schiavitù. Gli archivi della Compagnia delle Indie Orientali Olandesi sono anche uno dei primi esempi di Big Data di proprietà aziendale. Ogni pezzo di carico trasportato o commerciato veniva registrato accuratamente nei loro registri e nei libri contabili aziendali. È attraverso gli archivi della Compagnia delle Indie Orientali Olandesi che incontriamo la schiavitù sottoforma di tassonomia dei dati. Il soggetto schiavizzato veniva contato come un pezzo di carico accanto a 600 libbre di miele e 375 libbre di sandalo. Se nel 1759 Linnaeus ci diede la tassonomia come modo per guardare il mondo e situare l'uomo bianco al vertice, nel 1789 fu la Compagnia delle Indie Orientali Olandesi a portare questi progetti di dati a un nuovo livello, conteggiando coloro che erano considerati inferiori come merci per la contabilità aziendale.

È piuttosto significativo come nel censimento degli Stati Uniti del 1990 le persone asiatiche siano ulteriormente suddivise in gruppi distinti. Non a caso, ciò accadde in un periodo in cui alcuni gruppi asiatici iniziarono ad acquisire lo status di “minoranza modello” negli Stati Uniti, mentre altri no. Era quindi importante ottenere dati su queste presunte “minoranze modello” per confrontarli con altri gruppi non considerati tali.

All'inizio del XX secolo, tutti gli immigrati che entravano negli Stati Uniti dovevano superare un test del quoziente intellettivo (QI) prima di poter sbarcare nel paese. A loro volta, i risultati dei test venivano utilizzati per influenzare le politiche e i programmi sociali di cui beneficiavano coloro che all'epoca erano considerati bianchi. La credenza diffusa era che solo le persone bianche (anglosassoni e nord-europee) avrebbero usufruito di questi programmi grazie alla loro superiore intelligenza. Nel 1912, il Psychological Bulletin (una rivista scientifica ancora in stampa) pubblicò gli studi di Frank Bruner, laureato in psicologia alla Columbia University. Secondo Bruner, dai “dati scientifici” disponibili si poteva dedurre che “le qualità mentali del Negro” erano inferiori. Secondo l'analisi di questi “dati”, Bruner affermò che le persone nere “mancavano di affetto filiale, avevano poco senso di venerazione, integrità o onore” e una lunga lista di eccetera dedotti da questo presunto “studio scientifico e analisi statistica”. Ancora negli anni '20 del XX secolo, gli Stati Uniti avevano programmi che consentivano la sterilizzazione di individui sulla base dei risultati dei test di QI. Contemporaneamente in Europa, “studi scientifici” esaltavano la “superiorità delle razze nordiche” basandosi su misurazioni dell'intelligenza e set di dati socioeconomici.

*

Nel dicembre 2016, The Guardian pubblicò un'analisi intitolata “How Google's search algorithm spreads false information with a rightwing bias”. Uno dei miti più diffusi sulla tecnologia afferma che algoritmi e dati siano campi “neutri”. Entrambi derivano da una presunta obiettività che trascende i pregiudizi personali. “Oltre il soggettivo e dentro la macchina”, è come se non ci fosse alcuna mediazione umana nella creazione di questi algoritmi e dataset, e nel loro successivo utilizzo.

Fig. 4 - Diagramma di flusso per l'algoritmo di un sistema di suggerimenti automatico, (2001). Fonte: commons.wikimedia.org 


Le tassonomie e i sistemi di organizzazione, a loro volta, continuano a vivere nei nostri database contemporanei: i dati del censimento continuano ad aggregare classificazioni razziali del XVIII secolo; i database di sorveglianza della polizia e dei militari continuano a indicizzare gli esseri umani in base a divisioni coloniali arbitrarie lungo linee razziali, sessuali e di genere, istituite come meccanismo che divide chi merita diritti e protezioni da chi è considerato “inferiore”.

Queste classificazioni vengono utilizzate per addestrare algoritmi basati su un punteggio assegnato a ciascuna categoria: che tipo di dati è associato a coloro che sono archiviati nei database come “neri”, “musulmani” o “donne”? Come vengono utilizzati i dati associati a queste categorie per prevedere comportamenti? Le macchine creano modelli predittivi basati sugli stessi pregiudizi e stereotipi che sono stati associati a ciascuna di queste tassonomie per secoli.

Il formato di queste tecnologie potrebbe cambiare, ma le gerarchie coloniali rimangono le stesse.

 

 

[Testo originariamente pubblicato in AI & Conflicts. Volume 2, a cura di Daniela Cotimbo, Francesco D'Abbraccio e Andrea Facchetti. Brescia: Krisis Publishing, 2025. Titolo originale: “The Coloniality of the Algorithm”, in Hereafter. Sonic Acts 2019 (2019)]

ARCHIVIO TESTI

Autore
Titolo
Tags
Anno
E. Weizman, M. Fuller Investigazioni macchiniche Conflitti, Estetica, Machine Vision, Politiche della rappresentazione, Resistenza, Politiche dei dati, Immagini sintetiche 2021 M. Pasquinelli Una macchina che apprende sbagliando Archeologia, Bias, Tassonomie, Cognizione, Predizione, Statistica, Apprendimento, Perceptron, Dataset T. Paglen Immagini invisibili Bias, Estetica, Machine Vision, Politiche della rappresentazione, Algoritmi, Dati 2016 E. Weizman Verifica aperta Conflitti, Epistemologia oscura, Estetica, Machine Vision, Politiche della rappresentazione, Resistenza, Politiche dei dati, Immagini sintetiche 2019 V. Joler, K. Crawford Anatomia di un sistema AI Archeologia, Conflitti, Ecologia, Tassonomie, Estrattivismo, Lavoro 2018 Y. Hui Macchine ed Ecologia Ecologia, Natura, Tecnologia, Cibernetica 2020 F. Dzodan Lutto aptico Estetica, Tassonomie, Algoritmi, Immagini sintetiche, Politiche dell'affetto, Hauntologia 2023 H. Steyerl Immagini mean Conflitti, Estetica, Politiche della rappresentazione, Lavoro, Dataset, Immagini sintetiche 2023 L. Klein, C. D’Ignazio Un femminismo dei dati per l’AI Bias, Dati, Dataset, Politiche dei dati, Femminismo 2024 R. Lee Immagini sintetiche ed estetica dei dati Estetica, Politiche della rappresentazione, Politiche dei dati, Immagini sintetiche 2023 F. Dzodan Algoritmi e colonialismo Archeologia, Bias, Corpi, Natura, Tassonomie, Algoritmi, Colonialismo 2019 E. Salvaggio Un compendio allucinogeno Bias, Linguaggio, Dataset 2025 D. Quaranta Controcultura — Estrattivismo: andata e ritorno Estetica, Estrattivismo, Lavoro, Appropriazione, Controcultura 2025 A. Facchetti, F. D'Abbraccio, D. Cotimbo La calda estate dell’AI AI Fiction, Conflitti, Tassonomie, Statistica, Dataset, Politiche dei dati 2025 C. Buschek, J. Thorp Nel profondo dei modelli Bias, Tassonomie, Statistica, Dataset, Politiche dei dati 2025 H. Nissenbaum, F. Brunton Data Obfuscation Dati, Resistenza, Sorveglianza 2015 J. Bridle Cognizione Bias, Linguaggio, Machine Vision, Cognizione, Predizione, Traduzione, Statistica, Apprendimento 2018 A. Caronia L'incubo del doppio AI Fiction, Robot, Letteratura, Fantascienza 1989 A. Caronia Elezioni, galassie, intelligenze artificiali AI Fiction, Ecologia, Estetica, Letteratura, Automazione, Network A. Caronia Robot tra sogno e lavoro AI Fiction, Natura, Robot, Fantascienza, Lavoro, Automazione 1991 I. Asimov Diritto di voto AI Fiction, Letteratura, Fantascienza, Automazione J.L. Borges Del rigore della scienza AI Fiction, Politiche della rappresentazione, Letteratura, Fantascienza 1970 A.C. Clarke I nove milioni di nomi di Dio AI Fiction, Tassonomie, Letteratura, Fantascienza S. Lem Golem XIV AI Fiction, Letteratura, Fantascienza, Golem, Automazione 1981 D. Quaranta ___Perché quei fiori hanno perso il profumo? Estetica, Machine Vision, Natura, Politiche della rappresentazione, Immagini sintetiche 2021 L. Manovich L’IA e la produzione culturale Estetica, Cognizione, Politiche della rappresentazione, Automazione, Appropriazione 2020 L. Manovich Definire l’Arte AI AI Fiction, Alieni, Estetica, Machine Vision, Politiche della rappresentazione, Apprendimento 2021 P. Virilio La macchina che vede Archeologia, Conflitti, Estetica, Machine Vision, Automazione, Immagini sintetiche 1989 O. Persico, S. Iaconesi Se mio figlio è un’AI AI Fiction, Conflitti, Ecologia, Angeli, Resistenza, Appropriazione 2021 V. Catricalà Verso l’iperintelligenza Estetica, Politiche della rappresentazione 2020 D. Gambetta Divenire cyborg nella complessità Archeologia, Cyborg, Lavoro, Automazione, Politiche dei dati 2018 A.D. Signorelli La guerra dei bias Archeologia, Bias, Conflitti, Politiche dei dati, AI militare 2018 A. Facchetti, F. D'Abbraccio AI&Conflicts 01: Introduzione Conflitti, Ecologia, Epistemologia oscura, Natura, Tassonomie, Estrattivismo, Apprendimento, Resistenza, Politiche dei dati, Immagini sintetiche 2021 M. Pasquinelli Tremila anni di rituali algoritmici Archeologia, Apprendimento, Lavoro, Algoritmi, Perceptron, AI e lavoro, Automazione 2021 A. Caronia L’uomo artificiale AI Fiction, Corpi, Cyborg, Robot, Letteratura, Fantascienza, Golem, Tecnologia 1986 R. Pizzato I dati sono il sangue dell’IA Bias, Algoritmi, Politiche dei dati 2018 A.D. Signorelli L’arte dell’intelligenza artificiale Estetica 2021
E. Weizman, M. Fuller
Investigazioni macchiniche
Conflitti, Estetica, Machine Vision, Politiche della rappresentazione, Resistenza, Politiche dei dati, Immagini sintetiche / 2021
M. Pasquinelli
Una macchina che apprende sbagliando
Archeologia, Bias, Tassonomie, Cognizione, Predizione, Statistica, Apprendimento, Perceptron, Dataset
T. Paglen
Immagini invisibili
Bias, Estetica, Machine Vision, Politiche della rappresentazione, Algoritmi, Dati / 2016
E. Weizman
Verifica aperta
Conflitti, Epistemologia oscura, Estetica, Machine Vision, Politiche della rappresentazione, Resistenza, Politiche dei dati, Immagini sintetiche / 2019
V. Joler, K. Crawford
Anatomia di un sistema AI
Archeologia, Conflitti, Ecologia, Tassonomie, Estrattivismo, Lavoro / 2018
Y. Hui
Macchine ed Ecologia
Ecologia, Natura, Tecnologia, Cibernetica / 2020
F. Dzodan
Lutto aptico
Estetica, Tassonomie, Algoritmi, Immagini sintetiche, Politiche dell'affetto, Hauntologia / 2023
H. Steyerl
Immagini mean
Conflitti, Estetica, Politiche della rappresentazione, Lavoro, Dataset, Immagini sintetiche / 2023
L. Klein, C. D’Ignazio
Un femminismo dei dati per l’AI
Bias, Dati, Dataset, Politiche dei dati, Femminismo / 2024
R. Lee
Immagini sintetiche ed estetica dei dati
Estetica, Politiche della rappresentazione, Politiche dei dati, Immagini sintetiche / 2023
F. Dzodan
Algoritmi e colonialismo
Archeologia, Bias, Corpi, Natura, Tassonomie, Algoritmi, Colonialismo / 2019
E. Salvaggio
Un compendio allucinogeno
Bias, Linguaggio, Dataset / 2025
D. Quaranta
Controcultura — Estrattivismo: andata e ritorno
Estetica, Estrattivismo, Lavoro, Appropriazione, Controcultura / 2025
A. Facchetti, F. D'Abbraccio, D. Cotimbo
La calda estate dell’AI
AI Fiction, Conflitti, Tassonomie, Statistica, Dataset, Politiche dei dati / 2025
C. Buschek, J. Thorp
Nel profondo dei modelli
Bias, Tassonomie, Statistica, Dataset, Politiche dei dati / 2025
H. Nissenbaum, F. Brunton
Data Obfuscation
Dati, Resistenza, Sorveglianza / 2015
J. Bridle
Cognizione
Bias, Linguaggio, Machine Vision, Cognizione, Predizione, Traduzione, Statistica, Apprendimento / 2018
A. Caronia
L'incubo del doppio
AI Fiction, Robot, Letteratura, Fantascienza / 1989
A. Caronia
Elezioni, galassie, intelligenze artificiali
AI Fiction, Ecologia, Estetica, Letteratura, Automazione, Network
A. Caronia
Robot tra sogno e lavoro
AI Fiction, Natura, Robot, Fantascienza, Lavoro, Automazione / 1991
I. Asimov
Diritto di voto
AI Fiction, Letteratura, Fantascienza, Automazione
J.L. Borges
Del rigore della scienza
AI Fiction, Politiche della rappresentazione, Letteratura, Fantascienza / 1970
A.C. Clarke
I nove milioni di nomi di Dio
AI Fiction, Tassonomie, Letteratura, Fantascienza
S. Lem
Golem XIV
AI Fiction, Letteratura, Fantascienza, Golem, Automazione / 1981
D. Quaranta
___Perché quei fiori hanno perso il profumo?
Estetica, Machine Vision, Natura, Politiche della rappresentazione, Immagini sintetiche / 2021
L. Manovich
L’IA e la produzione culturale
Estetica, Cognizione, Politiche della rappresentazione, Automazione, Appropriazione / 2020
L. Manovich
Definire l’Arte AI
AI Fiction, Alieni, Estetica, Machine Vision, Politiche della rappresentazione, Apprendimento / 2021
P. Virilio
La macchina che vede
Archeologia, Conflitti, Estetica, Machine Vision, Automazione, Immagini sintetiche / 1989
O. Persico, S. Iaconesi
Se mio figlio è un’AI
AI Fiction, Conflitti, Ecologia, Angeli, Resistenza, Appropriazione / 2021
V. Catricalà
Verso l’iperintelligenza
Estetica, Politiche della rappresentazione / 2020
D. Gambetta
Divenire cyborg nella complessità
Archeologia, Cyborg, Lavoro, Automazione, Politiche dei dati / 2018
A.D. Signorelli
La guerra dei bias
Archeologia, Bias, Conflitti, Politiche dei dati, AI militare / 2018
A. Facchetti, F. D'Abbraccio
AI&Conflicts 01: Introduzione
Conflitti, Ecologia, Epistemologia oscura, Natura, Tassonomie, Estrattivismo, Apprendimento, Resistenza, Politiche dei dati, Immagini sintetiche / 2021
M. Pasquinelli
Tremila anni di rituali algoritmici
Archeologia, Apprendimento, Lavoro, Algoritmi, Perceptron, AI e lavoro, Automazione / 2021
A. Caronia
L’uomo artificiale
AI Fiction, Corpi, Cyborg, Robot, Letteratura, Fantascienza, Golem, Tecnologia / 1986
R. Pizzato
I dati sono il sangue dell’IA
Bias, Algoritmi, Politiche dei dati / 2018
A.D. Signorelli
L’arte dell’intelligenza artificiale
Estetica / 2021
TAG