知识仅仅因为被我们拥有，就有价值吗？
即使我们保存了大量书籍、文章和记录，如果在需要时这些知识没有与当前的问题连接起来，它们仍可能一直得不到使用。相反，很久以前学到的一个想法，在与新的经验连接起来时，可能会突然变得非常有意义。在AI时代，知识的价值不能只用数量或检索的便利程度来衡量。本文不把知识视为“储存起来的答案”，而是把它看作一种能够通过未来的问题，与其他知识和经验重新连接，并由此产生新理解的事物。
一般主题
知识
探索 Sai＊aus Labo 中关于知识的文章。
按读者类型筛选
衡量AI的价值，能否不看知识量，而看“产生下一步理解的连接”？
AI与知识库的价值，不能只用其持有的信息量或能够回答的问题范围来衡量。面对复杂问题，重要的是能否把既有知识恰当地连接到当前目的、条件、反证与判断，并把由结果产生的新差异带回下一个问题。本文不把知识视为固定答案的集合，而把它视为由问题重新构成的关系网络。通过从人的问题到理解、判断、验证、知识更新，再到下一次连接的循环，本文探讨AI时代的知识库应当积累什么。
专业即使知道得更多，我们也无法把人生过两遍
AI可以汇集大量知识、展示过去的案例，并增加我们思考选择结果时可参考的材料。但人类无法利用这些知识，把同一段人生一次又一次地重新尝试。我们重新理解知识：它不是保证“正确选择”的东西，而是帮助我们理解有限的选择，并由自己承担这些选择的材料。
一般知识库能记住人的有限性吗？
当知识库只保存事实和结论时，它可能会丢失过去判断成立时所处的时间条件。我们探讨一种知识设计：把期限、可逆性、已经失去的选项以及当时所重视的价值视为适用条件，使过去不成为固定答案，而能够被带回到当下有限的判断之中。
专业越了解你的过去的AI，越可能误判现在的你吗？
如果长期使用的AI记得过去的愿望和选择，人们就不必每次都重新说明一切，负担会随之减轻。然而，记忆越丰富，就越有可能把过去形成的个人形象持续套用到现在的本人身上。本文从对目标的记忆出发，思考为什么关于人的知识必须区分相对稳定的事实与可能更新的状态。
一般AI应该将过去的“梦想”作为知识保存吗？
在长期AI支持中，记住过去的目标能够形成连续性。但是，如果把一个目标作为在当下仍然有效的事实来保存，人类的变化就可能被固定在过去的自我描述之中。本文探讨一种知识设计：将目标表示为可更新的状态，并使其与时间、理由、依据和当前有效性相联系。
专业哲学知识作为一种“看待方式”而不是“答案”来掌握，会更有用吗？
说到学习知识，我们往往会想到记住正确的内容，并在需要时将其提取出来。然而，哲学知识不仅可以作为储存起来的答案来使用，也可以作为一种“看待方式”，让我们以不同的结构重新审视经验。本文把自由、时间、他人、欲望和规范等概念，不看作结论的仓库，而看作可以反复使用的坐标。当过去的知识不是以单一方式决定当下的问题，而是开启新的理解时，知识的作用会发生怎样的变化？
一般我们能否设计一个不抹去哲学家“矛盾”的知识库？
在知识库中，整合重复内容、解决矛盾并将信息整理成一致的形式，看起来可能更有效率。然而在哲学中，对于同样的自由、时间、欲望与他者，会从不同前提出发提出不同的结构，而这些分歧本身也可以成为理解的资源。本文考察一种知识结构：它不把彼此不可还原的知识作为错误加以整合，而是在保留来源、前提、适用条件和关系的同时对其进行再利用。本文将Sai＊aus的知识循环重新理解为一种机制：不是整合答案，而是从另一坐标重新打开既有理解。
专业快速找到答案，是否等于快速理解？
人工智能可以在很短的时间内给出我们想知道的答案。但得到答案，并不意味着我们立刻理解了它的含义和适用条件。本文思考的是：正因为获得答案所需的时间变短了，剩余的时间才可以用来重新追问、比较，并把答案与自己的处境联系起来。
一般AI时代的余量能否被设计为一种“未使用资源”？
高效率常被理解为不浪费地使用所有可用资源。但在不确定的环境中，时间、注意力和处理能力分配得越彻底，面对后来获得的知识而改变方向的空间就越小。本文不把AI时代的余量视为单纯的剩余，而是将其视为为了未来的知识更新而有意保持未使用状态的储备能力，并考察它与知识设计之间的关系。
专业为什么即使知识增加了，我们的思考方式仍可能保持不变？
获得新信息并不会自动加深理解。即使知识增加了，如果我们只是把新信息添加到旧有的分类和假设之中，我们看待事物的方式也可能几乎没有变化。本文将知识的数量与知识之间的关系区分开来，并探讨即使不增加新信息，当我们重新调整已有知识的排列方式时，理解如何可能得到更新。
一般为什么Sai＊aus的内部效率表征要区分“思维层级”，而不是“答案”？
在人与AI的对话中，目的、问题、前提、假设、证据、判断和理解很容易同时存在于同一段文字中。如果把它们当作同一种信息处理，暂时性的假设可能会像事实一样被固定下来，或者AI出于便利而采用的条件可能会被转化为人的目的。本文将Sai＊aus的内部效率表征理解为一种表征原则：它不是保存AI隐藏的内部推理的机制，而是用于区分不同思维层级各自的作用，并将它们重新连接到理解的更新之中。
专业