深圳市灵感可视软件开发有限责任公司

可视化一切

数据可视化常被当成一项新技术。但把时间轴拉长看，它已经存在了三百多年——而我们今天争论的许多问题，前人早就遇到…

By

linggankeshi web-editor

—

数据可视化的三百年：从一张霍乱地图到 AI 生成图表

数据可视化常被当成一项新技术。但把时间轴拉长看，它已经存在了三百多年——而我们今天争论的许多问题，前人早就遇到过。

这篇文章分三部分：它从哪来、AI 正在改变什么、2026 年的行业处于什么位置。

一、奠基：1786–1869 年的三张图

现代数据可视化的起点，可以落在三张图上。

1786 年，William Playfair 的《商业与政治图集》

Playfair 在《The Commercial and Political Atlas》中系统使用折线图与柱形图表达进出口额、国债等经济时间序列。这不是最早出现的图形，但它是第一次把“时间序列”作为一套惯例固定下来——横轴时间、纵轴数值、折线连接，这套约定沿用至今。

1854 年，John Snow 的宽街霍乱地图

伦敦霍乱爆发期间，Snow 把死亡病例逐一标记在街区地图上。点的聚集模式直接指向宽街的水泵。这张图的价值不在美观，而在于它是论证工具——可视化第一次被用来支撑因果推断，而不只是呈现已知事实。

1869 年，Charles Joseph Minard 的拿破仑东征图

Minard 把军队规模、经纬度、时间、气温四条信息流压进一张图，用带宽表示兵力衰减，用黑红两色区分进攻与撤退。

这张图常被称作“史上最好的统计图形”。需要说明的是，这是一个流行评价，不是实验结论——它出自后来的推崇者，而非当时或当代的实证研究。但它的设计价值是实打实的：多变量叙事、双色编码方向、把文字说明降到最低。

二、学科化：1967–2005

三张图证明了可视化有用，但把它变成一门学科，又花了一个世纪。

年份事件意义
1967Jacques Bertin《Semiology of Graphics》提出“视觉变量”理论（位置、大小、形状、色彩…），第一次系统回答“用什么编码什么”
1987NSF 召开 ViSC 研讨会（2 月 9–10 日）“科学可视化”作为领域正式确立，会后报告成为纲领性文件
1990首届 IEEE Visualization 会议学术共同体形成
1999Card、Mackinlay、Shneiderman《Readings in Information Visualization》提出可视化的经典定义：“the use of computer-supported, interactive, visual representations of data to amplify cognition”
2005Thomas & Cook《Illuminating the Path》提出“可视分析”，把交互与自动分析并列为手段

其中 1999 年那个定义值得单独拎出来，因为它划出了四个要件：计算机支持、交互性、数据的视觉表征、以增强认知为目的。

这解释了为什么 Manim 这类动画引擎不算可视化系统（它产出视频，观众无法交互），而 VisuAlgo 这类可以自定义输入、逐步执行的工具算——交互性是硬门槛。

三、普及：2007–2020

这一阶段的关键词是“门槛下降”。

  • 2007 年，ggplot2 把图形语法带给 R 用户，“声明式画图”成为主流写法
  • 2011 年，D3.js 让浏览器成为可视化平台，网页图表从此可以做得和印刷品一样精细
  • 2010 年代，数据新闻兴起，可视化从学术圈和 BI 报表走进公众视野

结果是：画图这件事的成本降到了接近于零。任何会写几行代码的人，都能做出技术上无可挑剔的图表。

但随之出现一个新问题：图表越来越多，看懂的人并没有同比增加。

四、AI 的介入：正在改变什么

2025 年之后，AI 开始深度介入可视化的三个环节。

生成端：从“我画图”到“图自己出来”

2026 年 3 月，Anthropic 让 Claude 在对话中直接生成内联的交互式图表；2026 年 10 月发布 Claude Dashboards 与 Motion，把“对话式仪表盘”推进到 beta。

变化：以前需要选工具、写代码、调样式，现在描述需求即可出图。

交互端：自然语言成为查询入口

传统 BI 要求用户先理解数据模型（维度、度量、粒度），再用界面操作。自然语言查询把这层门槛拿掉——用户直接问“上季度华东的复购率是多少”。

变化：BI 的默认入口正在从“拖拽面板”变成“对话框”。

分析端：LLM 辅助可视分析

学术侧的动作更早。IEEE VIS 2026 专门设有 VISxGenAI 研讨会（第 2 届），官方抛出的问题包括：

自主 Agent 是否会取代人类数据分析师？为人类设计的可视化技术是否适用于 Agent 交互？如何在引入 Agent 的同时不牺牲人的主体性？

这三个问题比“AI 能不能画图”重要得多。

但有一件事 AI 没有降低

AI 降低了“把图做出来”的成本，没有降低“知道该画什么”的成本。

原因在于：选对图形取决于任务（比较、看分布、找异常、看构成）和领域知识。这两样 AI 目前无法替你判断——它能把你的想法画得很漂亮，但如果想法本身选错了编码方式，它只会把错误呈现得更精致。

一个具体例子：把量级相差百倍的两个地区涂成同一个颜色，图表做得再美观，结论也是错的。这不是工具问题，是判断问题。

五、2026 年的行业现状

标准化：集中出台的一年

2026 年出现了罕见的“标准密集期”。这一年发布或实施的可视化相关标准包括：

标准号名称时间
T/JNBDA 0017—2026数据可视化平台建设规范2026-08-03 发布并实施
GB/T 46237-2025信息技术 数字孪生能力成熟度模型2025-10-05 发布，2026-05-01 实施
T/SDIOT 064—2026楼宇数字可视化交互平台物联数据实时映射与渲染规范2026
T/ZGCIT 120—2026基于 AI 与数字孪生协同技术的文旅可视化综合管控平台建设指南2026
T/ACCEM 745-2025浸没式液冷系统数据可视化软件呈现与交互技术规范2025-12-23 发布，2026-01-22 实施

其中 T/JNBDA 0017—2026 值得注意：它把平台架构、功能要求、平台验收整体写入标准，并把「行列级权限控制」和「AI 智能体」明确列为技术支撑。一份 2026 年的可视化平台标准把 AI 智能体写进技术栈，本身就是行业信号。

政策：可视化被列为“数据产品形态”

2026 年 2 月，国家数据局等四部门发布《关于培育数据流通服务机构 加快推进数据要素市场化价值化的意见》（国数政策〔2026〕6 号），明确支持创新开发“核验查询、数据分析报告、数据指数、数据可视化等分析决策型数据产品和服务”。

这是国家级政策文件直接点名“数据可视化”，并把它与数据指数、分析报告并列。含义是：可视化不再只是项目交付的一个环节，而被视为可流通、可交易的数据产品形态。

学术：中国团队首次深度参与

IEEE VIS 2026（2026 年 11 月 9–13 日，波士顿）首次采用联邦式办会，设巴黎与中国天津两个卫星会场。天津会场由张加万、刘世霞、袁晓如等学者组织。

对中国从业者，这意味着不出国门即可参与可视化顶会——往年这是少数人的特权。

商业：国产 BI 的国际化

Gartner《2026 年分析与商业智能平台魔力象限》中，阿里云 Quick BI 连续第 7 次入选，位列挑战者象限，是唯一连续上榜的中国 BI 厂商。其产品叙事里有两个值得注意的点：内置数据分析 Agent，以及订阅之外引入基于 Token 的消费计费。

后者是个信号：AI 分析正在把 BI 的成本结构从“按席位订阅”推向“按用量计费”。

开源：三套底座同时换代

  • Apache Superset 6.0（2026-02-09）：官方称史上最重大的视觉与架构变革，全面切换 Ant Design v5
  • Grafana 12.4（2026-02-25）：Git Sync 进入预览，仪表盘开始纳入 GitOps
  • Apache ECharts 6.1（2026-05-19）：6.0 于 2025-07-30 发布

国内大屏与 BI 多建在这三套底座上，它们的演进就是企业选型与升级排期的直接输入。

结语：三条可以带走的判断

一、可视化的门槛在降低，但判断力的门槛没有。 工具从手绘到代码到 AI 对话，一直在降；而“该用什么图”取决于任务与领域知识，这一点三百年没变。

二、交互性是分界线。 1999 年的定义把“交互”写进要件，今天依然成立。能产出视频的不算可视化系统，能让用户改参数、预测下一步、自己构造输入的才算。

三、研究早已指出：参与程度决定效果，可视化本身不是。 算法可视化领域的参与度分级（观看 → 回应 → 改变 → 构造 → 呈现）反复验证了这一点——只让学生看动画，效果有限；让他们改参数、做预测，才真正有效。

这三条合起来指向同一个结论：做的不是图，是理解的过程。

本文涉及标准号、政策文号与产品版本均来自公开发布信息。市场规模类数字因无法追溯到原始调研来源，本文不予引用。

参考来源

发表回复