我們會保存看起來可能有用的資訊。我們讀書、保存文章、記錄會議，並累積照片和筆記。數位化大幅增加了我們能夠保存的數量，而AI也讓我們更容易從大量紀錄中找到所需的資訊。即便如此，「我們擁有卻無法使用的知識」並沒有消失。我們可能忘記自己曾保存過它，也可能找到它，卻不知道它與眼前的問題有什麼關係。
知識的意義會隨著它所處的關係而改變。假設「先小規模測試，再擴大」這樣的想法，過去看起來只與一種工作方法有關。後來，當我們開始一項社區活動時，同一個想法可能會與從少量參與者開始的方法連結起來。知識的文字並沒有改變，但與一個新問題連結之後，它獲得了不同的價值。知識的價值並不只在它被保存的那一刻決定。
這一點也會影響知識應當如何組織。按主題分類很有用，但同一項知識可能與多個問題有關。關於健康的研究可能有助於設計工作方式，而交通領域的一個案例也可能成為思考社區公平問題的材料。如果所有內容都整齊地只放在一個架子上，這些跨領域的關係就會變得難以看見。答案不是取消分類，而是保留跨越分類重新連結的空間。
AI可以幫助這種重新連結。它可以從當前的問題出發，在過去的紀錄和其他領域的知識中尋找可能相關的材料，並以人們能夠比較的形式呈現出來。但是，某項內容並不會僅僅因為AI判斷它「相關」，就成為有意義的知識。相似的詞語可能出現在使某個來源並無參考價值的條件下。相反，不同的詞語也可能描述結構相似的問題。建立連結需要超越檢索本身的考察。
知識也會透過使用而得到更新。把一個想法應用到現實問題中，就會看出它在哪些條件下有效，又在哪些條件下無效。如果把這些結果重新連結到原來的知識上，下一次使用時就能從更豐富的背景出發。如果知識只是作為一個已經完成的答案被保存，這種變化就會丟失。透過把問題、應用、判斷和結果聯繫起來，知識可以與經驗一同成長。
這也是Sai＊aus Labo不只把知識看作彼此孤立的文章，而是把它視為關係網絡的原因。如果一篇文章並非只是簡單地連結到另一篇文章，而是能夠透過它們共有的問題、觀點不同之處，以及在什麼條件下需要更新過去的理解來建立連結，那麼過去的知識就會成為下一個問題的材料。每當人類作出新的判斷時，也可以為這些關係的更新留下空間。
在這個循環中，成長並不只是知識數量的增加。成長也可以意味著舊知識與新知識之間的關係變得清晰，發現過去被認為彼此獨立的問題之間的共同點，或者反過來，發現過去被認為相似的事物在條件上的差異。即使保存的數量相同，只要知識的連結方式發生變化，由此產生的理解也會改變。
知識僅僅因為被擁有，就具有潛在的可能性。但是，當它遇到一個新問題，並與其他知識或經驗連結起來時，這種可能性才會轉化為實際的理解。在AI處理知識的時代，重要的不只是「記住了多少」，還有「在需要時能夠重新建立哪些關係」。即使我們還不知道未來會出現什麼問題，只要保留讓知識彼此重新連結的空間，就能夠把儲存的資訊轉化為活的知識。
不是答案，而是理解。