Explain It Like I'm AI

In this episode, we talk with Dr. Chiara Stuardi, an astrophysicist and researcher in radio astronomy, about how artificial intelligence is transforming scientific research.Modern astronomy is an extremely data-intensive field, with millions of celestial sources and images that can no longer be analyzed by hand. Using radio astronomy as a case study, we explore how machine learning helps scientists detect faint cosmic structures, work at the limits of noisy data, and turn overwhelming datasets into new discoveries.Along the way, we discuss the role of convolutional neural networks in real research, the challenges of black box models, how scientists validate AI-based...

Con la Prof.ssa Isabella Consolati (Storia del Pensiero Politico, Politecnico di Torino) e la Prof.ssa Paola Rudan (Storia del Pensiero Politico, Università di Bologna) discutiamo delle implicazioni sociali e quindi politiche dell’intelligenza artificiale.Gli algoritmi non si limitano a descrivere il mondo: lo classificano, lo prevedono e lo riproducono.In questo episodio, riflettendo sui temi del bias, della predizione e dell'automatismo decisionale, facciamo luce sul ruolo politico dell’IA, mostrando come le tecnologie algoritmiche possano rafforzare le disuguaglianze sociali e limitare la nostra immaginazione di un futuro alternativo.

La creatività è davvero un’esclusiva umana?In questo episodio, con prof. Claudio Paolucci (Semiotica), discutiamo il rapporto tra intelligenza artificiale, linguaggio e creatività, mettendo in crisi il mito del genio individuale e le narrazioni che riducono l’IA a semplice imitazione.Attraverso una prospettiva semiotica e filosofica, esploriamo come le tecnologie intelligenti funzionino come sistemi linguistici e come l’ibridazione tra umano e macchinico ci costringa a ripensare soggettività, significato e forme della creazione.

In our first episode, we sit down with Professors Paolo Torroni and Andrea Galassi (University of Bologna) to unpack what people mean when they say “AI.” We trace the road from early milestones like Deep Blue and AlphaGo to today’s large language models, then dive into how machine learning actually learns: supervised, unsupervised, and reinforcement learning. We also discuss “stochastic parrots,” hallucinations, AI agents, and practical ways to use these tools responsibly in daily life.