Owen Matson, Ph.D.

La gente parla del pregiudizio dell'IA come se apparisse solo nel momento in cui è uscito, come se si insinuasse semplicemente nella casella di testo durante la sequenza finale della generazione come un retrogusto retorico, come qualcosa aggiunto in ritardo e probabilmente risolvibile con un prompt più intelligente o un filtro più pulito o una pipeline di pre-addestramento più rigorosa, ma ciò che non viene quasi mai detto, almeno in pubblico, è che il pregiudizio satura già nel momento in cui l'informazione diventa informazione. vale a dire il momento in cui qualcosa viene trattato come strutturato, etichettato, recuperabile, modellato in un modo che lo rende disponibile a un sistema progettato per selezionare tra le possibilità e chiamare quella risposta al processo.

Negli ultimi mesi ho visto una serie di seri tentativi di legare l'intelligenza artificiale all'ideologia, anche se la maggior parte inizia con una curiosa ambivalenza riguardo ai termini coinvolti. L'ideologia, un tempo l'orgoglioso cavallo di battaglia teorico della sinistra del dopoguerra, è diventata una sorta di spettro errante, occasionalmente invocato, raramente definito, ma il più delle volte scambiato per sinonimo di pregiudizio.

Intelligenza artificiale, profilassi della pizza e poietica. Su ciò che il linguaggio generato dall'intelligenza artificiale non coglie quando simula una voce senza lingua, ovvero senza corpo. On what AI-generated language misses when it simulates voice without a tongue, meaning without a body.

Large language models like ChatGPT don’t just learn facts—they pick up on patterns of behavior. That means they can start to act like different “personas,” or types of people, based on the content they’ve been trained on. Some of those personas are helpful and honest. Others might be careless or misleading. Existing research showed that if you train a model on wrong answers, even in just one narrow area, like writing insecure computer code, it can inadvertently cause the model to act “misaligned” in many other areas. This is called “emergent misalignment.” We studied why this happens.

I don’t write to express what I already know. If I did, I’d have nothing to say by the end of the first clause, and the sentence would be left dragging its tail behind it like a dog with nowhere to go. Writing, for me, begins in a state of productive error—less revelation than fumbling, a kind of intellectual squinting in the direction of something not yet visible, let alone nameable. ---- Non scrivo per esprimere ciò che già so. Se lo facessi, non avrei più nulla da dire alla fine della prima frase, e la frase si trascinerebbe dietro come un cane senza un posto dove andare. La scrittura, per me, inizia in uno stato di errore produttivo – più che rivelazione che tentennamento, una sorta di sguardo intellettuale socchiuso verso qualcosa di non ancora visibile, figuriamoci nominabile.

Cosa succede a un pensiero incompiuto quando viene espresso dentro un sistema ingegnerizzato per per garantire certezza, prestazioni e leggibilità professionale? Questo testo esplora come pensare in pubblico – particolarmente su piattaforme come Linkedin, richiede una alfabetizzazione costante, ricorsiva, in sintonia non solo con le idee, ma anche con le infrastrutture che le rimodellano.

La litografia di Escher di una mano che ne disegna un'altra – che, a sua volta, disegna la prima – offre più di un intelligente paradosso visivo; Mette in scena lo stesso dilemma che ossessiona qualsiasi tentativo di pensare la tecnologia attraverso la teoria, la materialità e il linguaggio. Né la mano è origine né effetto, eppure entrambe sembrano generare l'altra in un gesto che sospende causa e conseguenza, iscrizione e carne, in un ciclo senza fine. Non si tratta semplicemente di un puzzle di rappresentazione, ma di un'allegoria della difficoltà di teorizzare il mondo materiale senza ridurlo al linguaggio o pretendere che il linguaggio possa distinguersi da esso. Siamo sempre già la mano che disegna ed è tirata, situata all'interno del circuito ricorsivo di corpi, codici, concetti e infrastrutture, ognuno dei quali si forma e viene plasmato a sua volta.

Una cosa che ho iniziato a notare nelle pie chiacchiere che circondano l'IA è la ricorrenza di due impulsi apparentemente distinti – l'identificazione e la differenziazione – che sono abitualmente confusi o messi in contrasto, anche se li ho trovati molto più rivelatori se pensati in tandem, come le difficili fondamenta del nostro tango relazionale co-emergente con la macchina. Mi spiego.

La critica del "pappagallo stocastico", introdotta da Emily Bender, Timnit Gebru e colleghi nel 2021, è diventata il quadro dominante per respingere le capacità cognitive dell'IA.

Ogni pochi decenni circa, la filosofia si ritrova brevemente rispolverata e invitata a tornare in buona compagnia – non per affetto, ovviamente, ma perché qualcosa nel sistema è andato storto. L'intelligenza artificiale, a quanto pare, ha scatenato una sorta di panico concettuale: la consapevolezza che le graziose parentesi che circondano conoscenza, significato e soggetto stanno perdendo, e nessuna strategia di innovazione sembra riuscire a fermare il flusso. Gli algoritmi hanno superato i framework, e così i filosofi vengono convocati, come vigili del fuoco a cui viene chiesto di spiegare la struttura molecolare del fumo.

Nei miei sforzi per sviluppare un'etica relazionale per l'IA, il lavoro di Abeba Birhane è stato centrale. Scienziato cognitivo e teorico della decolonizzazione, la scrittura di Birhane si muove fluidamente tra i domini – filosofia della mente, teoria critica della razza, etica dei dati – ma rimane focalizzata su una domanda epistemica fondamentale: quali tipi di conoscenza e quali forme di vita riproducono i sistemi di intelligenza artificiale? E in base a quali presupposti sull'umanità, la cognizione e il controllo?

La questione educativa non è semplicemente se sia ancora necessario insegnare a scrivere, dipingere o comporre. Si tratta di come insegnare agli studenti a riconoscere quando il loro processo creativo viene sottilmente ottimizzato verso impostazioni predefinite meccaniche, quando il sistema sta smussando la difficoltà, l'ambiguità o l'invenzione in nome della fluidità.

Il libro di Mark Hansen Feed-Forward: On the Future of Twenty-First-Century Media offre uno degli impegni più sostenuti e rigorosi su come i sistemi tecnici rimodellano le condizioni della percezione, della cognizione e dell'esperienza.

Nel design, nell'uso o nel mondo che li produce entrambi?

Why AI Discourse Needs N. Katherine Hayles’s Theory of Cognition

This essay examines the growing disconnect between language and thought in contemporary discourse, particularly in the context of EdTech, AI, and academic theory. Beginning with reflections on the author’s recent engagement with theoretical dialogue on LinkedIn—a platform marked by performance-driven visibility rather than conceptual depth—it traces how theoretical vocabulary has increasingly come to function as professional shorthand, signaling intellectual alignment while often bypassing the labor of thinking. Drawing on examples from education discourse and the historical figure of Mark Twain—whose engagement with the typewriter and notions of automatic writing challenged humanist ideas of authorship—the essay situates current anxieties around AI-generated language within a longer tradition of mechanical mediation. Rather than framing authorship as a question of human versus machine, the essay argues for conceptual rigor as the true index of intellectual integrity. It calls for a renewed attention to friction, difficulty, and specificity in writing—not as barriers to communication, but as signs that thought is actively being done.

There’s a certain bleak ingenuity to the idea that our best response to AI’s unsettling fluency is to manually downgrade its pronouns. A recent Boston Globe op-ed recommends that we stop referring to generative systems as coworkers or collaborators, and instead swap the “o” for a zero: c0workers, c0companions. It’s not language that’s the problem here—it’s the use of language to shut down thought just when it’s most needed. Rather than open space for describing what resists classification, this symbolic tweak tries to pin the world back into place with a single keystroke.

At first glance, prompting an AI seems straightforward: a user poses a question, the model responds. But this framing—human initiator, machine reactor—is less a description than a myth about how knowledge works, especially in education and EdTech.