Hello，大家好，我是人月聊IT。今天聊下AI时代的交互式学习，在前面我专门分享过秘塔推出的今天学点啥这个新功能。今天聊下Google Gemini新推出交互式学习和教育新功能。

对于Google Gemini我前面专门推荐过Deep Research深度研究功能，包括有好几篇公众号文章均来源于Google的深度研究，而今天要讲的就是新推出的学习辅导这个功能，自己简单试验了下，感觉是一个王炸级别的功能。这个功能将适合个体对任何新知识新领域的学习。这个功能不是简单告诉你一个答案或最终的结果，而是渐进式的，引导式的让你真正搞清楚你要学习内容的本质和原理，而这也是我们学习最需要的。

谷歌宣布推出全新AI工具套件Gemini for Education，基于其最新一代Gemini2.5Pro模型，为全球师生提供免费、强大且高效的学习与教学支持。这一举措旨在通过AI技术赋能教育工作者和学生，打造更加个性化和高效的学习体验。Gemini for Education是谷歌专为教育社区量身定制的AI工具，集成于Google Workspace for Education平台，面向所有使用该平台的学校免费开放。

大家注意，实际这个引导式学习仍然是基于emini2.5Pro大模型，只是内部做了一个基于提问者问题的启发式提问，引导，交互式学习的调教。

怎么讲呢？

就是AI不是一次性的把所有问题答案全部抛给你，而是基于知识本身的学习曲线，基于你已有的历史知识储备，一步一步的引导你从理解基本的概念开始，然后准备给出具体完整的回答。我前面谈到通过秘塔AI提供的今天学点啥进行交互式学习。

但是秘塔AI提供的今天学点还不是完整意义上的引导式学习，比如很简单，如果将要学习的内容分为六个章节，秘塔AI的当前实现逻辑并不会说根据第1章学习情况动态的去优化和调整后续章节的学习内容。但是引导式学习不一样，这个完全会基于前面的交互对话内容，对后续学习内容动态调整。简单来说：

AI给你讲一个当前知识，如果发现你这个知识无法理解，那么AI就超前追溯这个知识的前导知识，前导知识还不理解，那么就继续朝前追溯前前导知识，直到你理解了所有内容后，再从当前知识开始讲后续的扩展知识，一步步的讲解。

而这种引导式学习方式正是我们需要的知识学习方式，AI比人有耐心，AI也不会说你是一个笨蛋，你按照AI的引导一步步的展开学习就可以了。我在想如果你所有学习都是这种方式AI辅助完成了，那么AI可以做到完全了解你，绘制出你个性化的知识脉络地图。并在后续新知识学习和对话中，快速地给出最适合你的学习路线。

这个东西做好了，完全是一场AI下的学习的革命。

我们来看一个完整的简单例子，比如我现在想学习跨数据参考Cube的基础知识。

下面是Gemini输出内容

很高兴能和你一起探讨数据仓库里的 Cube！你已经有了数据库和 SQL 的基础，这非常好，因为数据仓库和数据库联系非常紧密。我们可以把数据库看作是记录日常交易的账本（比如每一笔订单），而数据仓库则更像是一个专门为分析和决策准备的超级报表系统。Cube（数据立方体）就是这个超级报表系统的核心模型。为了更好地理解 Cube，我们可以分三步走，你觉得怎么样？

先搞清楚 Cube 的两个核心“主角”：维度（Dimensions）和度量（Measures）。

然后，我们用一个销售数据的例子，直观地看看 Cube 和你熟悉的数据库表有什么不一样。

最后，我们再聊聊怎么像玩魔方一样“操作”这个数据立方体（比如切片、下钻等分析动作）。

我们先从第一步开始吧。想象一下我们有一个超市的销售数据集。你认为，哪些信息是用来描述一笔销售的（比如，什么时候卖的、在哪个城市卖的、卖的是什么商品），而哪些信息是用来衡量这笔销售的数值（比如，卖了多少钱、卖了多少件）？

下面是Gemini输出内容

你说的完全正确！你的理解非常到位。在数据仓库里，我们给这些概念起了专门的名字：

• 维度 (Dimension)：就是你提到的那些“描述销售”的方面，它们是我们观察和分析数据的角度。比如：
  • 时间维度  ️ (购买时间)
  • 地理维度 (购买城市)
  • 商品维度 ️ (商品名称)
  • 客户维度 (购买客户)
• 度量 (Measure)：就是你提到的那些“衡量销售”的数值，它们是我们关注的具体业务指标。比如：
  • 销售数量 (购买的数量)
  • 销售总额 (购买的总金额)

维度和度量是构建数据立方体 (Cube) 的基石。

好，第一步我们已经轻松完成了！接下来，我们进入第二步，看看这个 Cube 和你熟悉的数据库表到底有什么不同。假设我们有下面这样一张数据库表，记录了原始的销售数据：

这张表非常清晰，记录了每一笔交易。但如果你的老板想问一个问题：“一月份，牛奶和面包在北京和上海的总销售额分别是多少？”用这张表，你当然可以通过 SQL 查询（比如用 GROUP BY）来回答。但如果老板接下来又问了十几个类似的问题，每次都去查原始表就会很慢，效率也不高。而 Cube，就是为了解决这个问题而生的。它会预先把数据按照维度和度量组织好，就像下面这样：想象一个二维表格，行是商品维度（牛奶、面包），列是地理维度（北京、上海）。表格的每个单元格里填的就是度量（总销售额）。

看到这个表，是不是一眼就能回答老板的问题了？现在，我们来增加一个维度。如果老板还想看不同时间（比如1月15日和1月16日）的销售情况，你觉得我们这个二维表格会变成什么样子？

下面是Gemini输出内容

完全正确！这正是“数据立方体”（Cube）这个名字的由来。当我们只有一个维度（比如商品）时，数据是一条线。当有两个维度（商品和地理）时，它是一个面（我们刚才的二维表）。现在加上了时间维度，它就变成了一个真正的立方体 。我们可以这样想象这个立方体：

• X轴 (横向)：地理维度 (北京, 上海)
• Y轴 (纵向)：商品维度 (牛奶, 面包)
• Z轴 (深度)：时间维度 (1月15日, 1月16日)

立方体里每一个看不见的小方块，都存着一个度量值（总销售额）。比如，坐标为 (北京, 牛奶, 2023-01-16) 的小方块里，存的数值就是 18.00。你看，Cube 把杂乱的流水账数据，变成了一个结构清晰、可以即时查询的模型。这就是它的核心价值。

好了，现在我们进入最有意思的第三步：怎么像玩魔方一样“操作”这个立方体。这些操作在数据分析里统称为 OLAP (联机分析处理) 操作。最常见的操作之一叫做 切片 (Slice)。这个动作就像切蛋糕或切面包一样，我们沿着一个维度切下固定的一片来观察。比如，老板只想看 “1月16日” 这一天的所有销售情况。如果我们对这个立方体，沿着“时间维度”切下“1月16日”这一片，你觉得我们看到的结果会是什么样子的？

下面是Gemini输出内容

你说的太对了！切下一片之后，三维的立方体就又变回了我们熟悉的二维平面表格。操作：切片 (Slice)

• 动作: 选择一个维度，并为该维度挑选一个特定的值。

• 例子: 时间 = "1月16日"
• 结果:| | 北京 | 上海 || :--- | :--- | :--- || 牛奶 | 18.00 | 6.00 || 面包 | 8.50 | 0.00 |(注意：1月16日上海没有卖面包，所以销售额是0)

好，切片我们掌握了。接下来是另一个很像的操作，叫做 切块 (Dice)。如果说“切片”是切下一整片面包，那么“切块”就是从面包上切下一小块。它允许我们对多个维度进行筛选。比如，老板现在更关心具体的细节，他想看：“1月份，北京地区的牛奶” 的销售情况。这个操作会同时在两个维度上进行筛选：

1. 地理 = "北京"
2. 商品 = "牛奶"

如果我们对这个立方体进行这样的“切块”操作，最后得到的结果会是什么样子的？它还剩下几个维度？

下面是Gemini输出内容

你的思考非常有深度，完全抓住了“切块”的精髓！你说的没错，我们筛选掉了“地理”和“商品”两个维度，所以分析的焦点就落在了剩下的时间维度上。操作：切块 (Dice)

• 动作: 选择多个维度，并为这些维度挑选特定的值。
• 例子: 地理 = "北京"并且商品 = "牛奶"
• 结果:因为只剩下一个“时间”维度，所以结果不再是一个面，而是一条线，或者说一个列表：
  • 1月15日: 12.00
  • 1月16日: 18.00

非常好！我们已经学会了如何在立方体上切片和切块。最后，我们再来看一对非常有用的孪生操作：下钻 (Drill-Down) 和 上卷 (Roll-Up)。这两个操作不改变维度的数量，而是在同一个维度的不同层级之间切换。下钻 (Drill-Down)这个操作就像使用放大镜，让我们能看到一个维度内部更精细、更具体的数据。比如，我们的“时间”维度可以有不同的层级：年 -> 季度 -> 月 -> 日。假设我们一开始只看到了“2023年1月”的总销售额。现在我们想看得更细，想知道 “1月15日”和“1月16日” 分别卖了多少。这个从“月”的层级深入到“日”的层级的动作，就叫做“下钻”。这个从“月份”看到“具体日期”的操作，就像用放大镜看数据一样。你觉得反过来的操作应该叫什么？比如，我们看完了每天的数据，想把它们汇总起来看“整个月份”的总数据。

下面是Gemini输出内容

Bingo! Exactly right. 它就叫做 上卷 (Roll-Up) 。<br/>操作：上卷 (Roll-Up)

• 动作: 将数据从一个精细的层级汇总到一个更粗略的层级。
• 例子: 将“日”层级的数据汇总到“月”层级。
• 结果:我们把“牛奶”在北京1月15日 (12.00) 和1月16日 (18.00) 的销售额数据，汇总起来，就得到了1月份的总销售额 (30.00)。

总结一下你看，我们就这样一步步地把 Cube 这个概念给“征服”了！

1. 核心元素: 我们知道了 Cube 由维度（观察数据的角度，如时间、地点）和度量（被观察的数值，如销售额）组成。
2. 核心结构 : 我们明白了 Cube 是一个多维结构 ，它预先计算和存储了数据，让我们能极快地从不同角度进行查询，远比在原始数据库表中用 GROUP BY 要快。
3. 核心操作 : 我们还学会了像玩魔方一样分析数据：

• 切片 (Slice) : 看一个维度的一个面。
• 切块 (Dice) : 看多个维度交叉下的一个小方块。
• 下钻 (Drill-Down) : 深入到更细的层级看细节。
• 上卷 (Roll-Up) : 汇总到更粗的层级看概况。

这四个操作是数据分析师最常用的基本功，可以让你像侦探一样，在海量数据中快速定位问题和发现规律。这个从数据库表到交互式数据立方体的过程，你觉得清晰吗？有没有哪个环节想重新回顾一下？如果你对这部分已经很有信心了，我们下一步就可以聊聊：在数据库层面，我们是如何设计表结构（比如星型模型 Star Schema）来支撑这个 Cube 的。这也正好能把你已有的 SQL 知识和数据仓库连接起来。

以上即对Gemini for Education的简单测试，右边是我的回复，文字是AI一步步引导我输出的内容。我只能说相当强大。这个完全就是我们需要的学习方式。类似很多如何看懂财务报表，如何看懂K线图，如何理解？这些书感觉没有出版的必要了。

来源：该文章来自《人月聊IT》微信公众号