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：
- Python
- R
- MATLAB
- Origin
- Excel 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。