我们会保存看起来可能有用的信息。我们读书、保存文章、记录会议，并积累照片和笔记。数字化大幅增加了我们能够保存的数量，而AI也让我们更容易从大量记录中找到所需的信息。即便如此，“我们拥有却无法使用的知识”并没有消失。我们可能忘记自己曾保存过它，也可能找到它，却不知道它与眼前的问题有什么关系。
知识的意义会随着它所处的关系而改变。假设“先小规模测试，再扩大”这样的想法，过去看起来只与一种工作方法有关。后来，当我们开始一项社区活动时，同一个想法可能会与从少量参与者开始的方法连接起来。知识的文字并没有改变，但与一个新问题连接之后，它获得了不同的价值。知识的价值并不只在它被保存的那一刻决定。
这一点也会影响知识应当如何组织。按主题分类很有用，但同一项知识可能与多个问题有关。关于健康的研究可能有助于设计工作方式，而交通领域的一个案例也可能成为思考社区公平问题的材料。如果所有内容都整齐地只放在一个架子上，这些跨领域的关系就会变得难以看见。答案不是取消分类，而是保留跨越分类重新连接的空间。
AI可以帮助这种重新连接。它可以从当前的问题出发，在过去的记录和其他领域的知识中寻找可能相关的材料，并以人们能够比较的形式呈现出来。但是，某项内容并不会仅仅因为AI判断它“相关”，就成为有意义的知识。相似的词语可能出现在使某个来源并无参考价值的条件下。相反，不同的词语也可能描述结构相似的问题。建立连接需要超越检索本身的考察。
知识也会通过使用而得到更新。把一个想法应用到现实问题中，就会看出它在哪些条件下有效，又在哪些条件下无效。如果把这些结果重新连接到原来的知识上，下一次使用时就能从更丰富的背景出发。如果知识只是作为一个已经完成的答案被保存，这种变化就会丢失。通过把问题、应用、判断和结果联系起来，知识可以与经验一同成长。
这也是Sai＊aus Labo不只把知识看作彼此孤立的文章，而是把它视为关系网络的原因。如果一篇文章并非只是简单地链接到另一篇文章，而是能够通过它们共有的问题、观点不同之处，以及在什么条件下需要更新过去的理解来建立连接，那么过去的知识就会成为下一个问题的材料。每当人类作出新的判断时，也可以为这些关系的更新留下空间。
在这个循环中，成长并不只是知识数量的增加。成长也可以意味着旧知识与新知识之间的关系变得清晰，发现过去被认为彼此独立的问题之间的共同点，或者反过来，发现过去被认为相似的事物在条件上的差异。即使保存的数量相同，只要知识的连接方式发生变化，由此产生的理解也会改变。
知识仅仅因为被拥有，就具有潜在的可能性。但是，当它遇到一个新问题，并与其他知识或经验连接起来时，这种可能性才会转化为实际的理解。在AI处理知识的时代，重要的不只是“记住了多少”，还有“在需要时能够重新建立哪些关系”。即使我们还不知道未来会出现什么问题，只要保留让知识彼此重新连接的空间，就能够把储存的信息转化为活的知识。
不是答案，而是理解。