前言最近学习了 Datawhale 的《Happy Figure》教程第 1 章认识科研绘图AI 时代科研绘图该怎么做这一章并不是直接教我们怎么用某个 AI 工具画图而是先帮助我们建立一个更重要的认知科研绘图不是单纯追求“好看”而是把科学信息准确、清晰、高效地转译成视觉表达。在 AI 绘图越来越强的今天真正重要的问题不是“AI 能不能画图”而是哪些图可以让 AI 辅助哪些图绝对不能让 AI 生成什么样的科研图才算是一张好图AI 在科研绘图中到底应该扮演什么角色下面是我的学习整理。1. 科研绘图的本质科研绘图不同于艺术创作。艺术创作可以追求想象力、风格化和视觉冲击力但科研绘图的核心任务是将科学信息进行视觉化转译降低读者理解成本帮助读者更快看懂研究逻辑。也就是说一张科研图首先要服务于“表达”而不是服务于“炫技”。在论文中图表往往承担着非常重要的作用。很多时候读者甚至会先看图再决定是否继续读正文。因此科研图不仅要准确还要有清晰的逻辑和专业的视觉呈现。2. 科研插图的三种类型第 1 章中将科研插图大致分为三类定量数据图、实证影像图、定性示意图。这三类图对应着不同的学术边界也决定了 AI 能不能参与、能参与到什么程度。2.1 定量数据图定量数据图包括折线图柱状图散点图箱线图热力图等这类图的核心特点是图中的每一个数据点都应该对应真实实验数据或计算结果。因此定量数据图不能直接用生成式 AI 来生成。原因很简单AI 的生成机制是基于概率预测它生成的是“看起来像数据图”的图像而不是真实数据本身。如果让 AI 直接生成数据图就可能出现所谓的“幻觉”问题也就是图像看起来合理但其中的数据并不存在。所以定量数据图应该继续使用PythonRMATLABOriginExcel 等专业工具AI 在这里可以辅助但不能替代真实数据作图。比如 AI 可以帮忙写 Python 绘图代码优化配色方案修改图表样式给出可视化建议但最终的数据必须来自真实结果。2.2 实证影像图实证影像图包括显微镜图像电泳图实验装置照片材料表征图像等这类图是实验事实的直接记录强调的是原真性。因此这类图也不能随意用 AI 修改。尤其是 AI 去噪、AI 放大、AI 修复等操作如果涉及生成式填充就可能改变原始实验事实。对于实证影像图通常只能进行非常有限的处理比如全图统一亮度调整全图统一对比度调整不改变原始信息的格式处理但不能让 AI “补出”不存在的结构或细节。2.3 定性示意图定性示意图是本教程重点关注的对象也是 AI 最适合发挥价值的地方。它包括机制示意图流程图模型架构图算法结构图信号通路图概念图期刊封面风格图等这类图不直接依赖具体实验数值而是用于表达逻辑、机制、流程或概念。例如在机器学习论文中模型架构图就属于定性示意图。它的重点不是展示实验数据而是说明模型有哪些模块、模块之间如何连接、信息如何流动。AI 在这类图中可以发挥很大作用例如生成构图草案提供风格参考优化配色辅助排版生成初步示意图帮助进行视觉层级设计但需要注意的是即使是定性示意图也不能完全交给 AI。其中的科学内容必须由研究者自己确定和核查。可以总结为一句话科学内容你定视觉表达 AI 辅助。3. 什么样的科研图才是好图一张好的科研图不是简单地“看起来漂亮”。第 1 章提出了三个核心标准科学性逻辑性艺术性3.1 科学性不可逾越的底线科学性是科研绘图的第一原则。无论一张图构图多么精致、配色多么高级只要它违反了科学事实或基本常识这张图就失去了存在价值。科研图必须诚实地表达数据模型实验事实研究逻辑不能夸大结果也不能制造误导。这也是为什么定量数据图和实证影像图不能直接交给 AI 生成的原因。AI 可以画出“像真的一样”的图但科研需要的不是“像真的”而是“真的”。3.2 逻辑性让读者一眼看懂主线好的科研图应该具备一定的自明性。也就是说读者即使不仔细阅读正文也应该能够通过图片和图注大致理解作者想表达什么。这就要求图中信息呈现要有清晰的先后顺序和视觉路径。比如哪个模块是输入哪个模块是核心方法哪个模块是输出箭头方向是否清楚不同颜色是否代表不同含义相同类型的信息是否保持一致表达如果一张图需要读者反复猜测“从哪里开始看”“箭头是什么意思”“颜色代表什么”那它的逻辑性就不够好。3.3 艺术性降低认知负荷而不是炫技科研绘图中的艺术性并不等于装饰性。它不是为了让图“花哨”而是为了让图更清晰、更舒服、更容易理解。合理的布局、克制的配色、清晰的结构本质上都是在降低读者的认知负荷。因此科研图中的艺术性是一种功能化设计能力。它服务于理解效率而不是视觉炫技。4. 科研美学的关键词克制与秩序第 1 章中提到科研美学有两个非常重要的方向克制和秩序。4.1 减少视觉噪声很多科研图不好看并不是因为信息太少而是因为信息太多。例如复杂背景过多装饰线条密集网格立体阴影冗余边框无意义渐变这些元素不一定能帮助读者理解反而会分散注意力。因此科研绘图要有“减法思维”。重要的不是把图画得越来越复杂而是删除不必要的元素让真正重要的信息凸显出来。4.2 数据墨水比这里有一个很重要的概念数据墨水比。它的意思是图形中用于表达数据或必要结构的信息墨水应尽可能占更高比例不承载有效信息的视觉元素应该尽量减少。通俗理解就是图中每一条线、每一种颜色、每一个形状都应该有存在的理由。如果一个元素不能帮助表达数据或逻辑就应该考虑删掉。4.3 建立视觉层级视觉层级是指通过位置、大小、颜色、对比度等方式引导读者按照正确顺序阅读图像。好的视觉层级能让读者自然地知道先看哪里再看哪里哪些是重点哪些是辅助信息这也是很多顶刊插图看起来非常稳定、专业的原因。5. 不同学科有不同的视觉语言科研图还需要考虑学科差异。不同领域长期形成了不同的表达习惯和审美偏好。如果图的风格符合领域视觉语言就更容易让审稿人和读者产生专业认同。5.1 物理、计算机、人工智能领域这类领域通常偏好极简主义扁平化设计矢量风格清晰线条低饱和度配色强调逻辑结构和拓扑关系例如机器学习论文中的模型架构图通常就更适合极简矢量风。因为这类图最重要的是表达模块关系信息流动输入输出模型结构算法逻辑清晰比炫酷更重要。5.2 生物、医学、材料科学领域这类领域通常更偏好三维质感拟真风格微观结构细节光影渲染材质表现更强的视觉冲击力例如细胞结构图、蛋白质示意图、纳米材料图等就经常使用更拟真的表达方式。这是因为这些领域往往需要表现微观结构和真实质感。6. AI 在科研绘图中的正确角色学习完这一章后我对 AI 科研绘图的理解可以总结为AI 不是用来替代科学判断的而是用来提升视觉表达效率的。AI 可以做的事情包括帮助生成构图方案提供配色建议优化排版布局生成视觉风格参考快速产出多个草案辅助表达复杂概念但研究者必须自己把关科学事实是否正确模型结构是否准确数据是否真实术语是否规范箭头方向是否正确模块关系是否符合论文方法图像是否符合期刊规范因此AI 更像是一位设计助手而不是科研负责人。7. 我的理解总结这一章最重要的收获是科研绘图的关键不只是“会不会画”而是要先知道“什么能画、什么不能画、该怎么判断一张图是否合格”。可以用一句口诀总结数据和证据AI 不许编逻辑和示意AI 可辅助。具体来说定量数据图必须基于真实数据AI 只能辅助代码和样式。实证影像图必须保持原真性不能让 AI 生成不存在的细节。定性示意图AI 最适合参与但科学内容仍需人工核查。好图要同时满足科学性、逻辑性和艺术性。科研图的艺术性不是炫技而是降低理解成本。不同学科需要适配不同的视觉语言。8. 给自己的实践提醒以后如果我要用 AI 辅助科研绘图我会先问自己几个问题这张图属于定量数据图、实证影像图还是定性示意图图中的哪些内容必须来自真实数据或实验事实哪些部分可以交给 AI 做视觉优化这张图是否符合本领域的视觉风格读者不看正文能不能大致看懂图的主线图中有没有多余的装饰性元素AI 生成的内容是否经过了人工核查只有回答清楚这些问题AI 才能真正成为科研绘图的效率工具而不是风险来源。结语《Happy Figure》第 1 章给我的最大启发是在 AI 工具越来越强的时代科研人员更需要提升的不是单纯的软件操作能力而是对科研图的判断能力。因为工具决定效率但认知决定上限。只有先理解科研绘图的边界、标准和审美逻辑后面学习具体 AI 工具时才不会被工具牵着走而是能够让工具真正服务于自己的科研表达。
