当我们开始研究某件事时，往往会想要更多材料。我们阅读文章、收集数字、寻找专家意见，并让AI进行总结。因为我们会觉得，信息越多，判断就应该越可靠。当然，如果材料太少，我们可能会遗漏重要事实。但材料增加并不等于理解了问题。即使读了十个来源，如果它们彼此分离，我们仍可能不清楚自己真正需要判断的是什么。
假设我们研究一个引入了新型交通方式的地区。我们可以收集很多数字：使用人数、成本、出行时间、环境影响、安全性等等。但任何一个数字都不能单独决定自身的意义。即使使用量增加了，也要看使用者只是从另一种交通方式转移过来，还是原本无法出行的人因此获得了出行机会。即使成本下降了，如果服务范围缩小，评价也会改变。研究不仅需要收集事实，还需要考察事实之间的关系。
AI可以大幅减少寻找资料和整理其内容所需的时间。这对研究而言是一个重要优势。与此同时，当总结变得更快时，多个来源可能被压缩成相似的结论，从而使它们之间的差异变得不那么明显。即使是讨论同一主题的资料，如果所涉及的地区、时间段、条件或测量方法不同，也不能简单地合并。研究的质量不仅取决于压缩信息的能力，也取决于我们能否识别哪些差异会影响问题。
观察关系，也会改变相反证据的意义。当我们发现一个与自己观点不同的结果时，可以把它当作例外而排除。但如果我们问：“为什么在这些条件下会出现相反的结果？”，一个新的问题就会出现。相反的证据并不只是妨碍结论；它还能告诉我们，这个结论在多大范围内成立。研究不只是把同一方向的信息不断累积起来，也是在寻找不同结果背后的条件差异。
此时，我们可以期待AI做的，并不只是“寻找更多相关资料”。它还可以把支持某一主张的证据与反对它的证据区分开来，比较结果发生变化时的条件，并指出尚未得到确认的关系。但这些连接并不会自动变得正确。人仍然需要检查资料来源、研究对象、时间段和测量方法，并判断AI连接起来的信息是否真的在回答同一个问题。
随着研究推进，最初的问题可能会改变。我们也许从“这种方法有效吗？”开始，却发现真正的问题是“它对谁有效，又在什么条件下有效？”。这并不是研究的失败。正是因为看到了各条信息之间的关系，我们才发现原来的问题过于粗略。好的研究不会强行把答案塞回最初的问题中；必要时，它会更新问题本身。
这也是Sai＊aus Labo通过关系来处理知识的原因。与其把一篇文章孤立为一个已经完成的答案，不如让它能够与其他问题、反证、条件以及后来获得的知识连接起来。这样，当新的研究开始时，我们就不只是重复使用过去的文章，而是可以考察“与我们此前的理解相比，什么发生了变化”。知识的价值不仅在于被保存，也在于它能够通过下一个问题再次接受检视。
研究始于收集信息，但不必止于此。通过考察事实与事实、证据与反证、结果与条件，以及过去的问题与现在的问题之间的关系，信息会更接近能够支持判断的知识。随着AI让收集变得更快，人类需要思考的地方，也会从资料的数量转向关系的意义。研究的深度不仅取决于我们收集了多少，也取决于我们发现了哪些关系。
不是答案，而是理解。