「可视化」这个词，目前至少覆盖了两类目标完全不同的事情。

一类是把测量出来的数据画出来，帮人发现规律——企业大屏、监控面板、经营报表都属于此类。

另一类是把已经形成的知识呈现出来，帮人建立理解——算法演示、人体解剖、数学函数、宇宙结构属于此类。

前者叫数据可视化，后者叫知识可视化（Knowledge Visualization）。这不是我们生造的分类——知识可视化是自 2000 年代起就有专门文献的研究领域（Eppler & Burkhard 提出的框架，中文期刊在 2005 年就有专文讨论）。

两类东西常被放在一起谈，但它们的约束条件、评价标准、失败方式几乎完全不同。混为一谈的直接后果是：用一套标准去要求另一类东西，结果两头都不讨好。

一、核心区别

维度	数据可视化	知识可视化
对象	数据：测量得到的、有量纲的数值	知识：概念、结构、机制、过程
来源	数据库、API、实时流、问卷	教科书、领域知识、第一性原理
真实性约束	硬约束：每个图形元素必须精确对应数值	软约束：可以示意、简化、甚至夸张
首要目标	洞察——发现模式、异常、趋势	理解——建立正确的心智模型
典型问题	「这个月转化率为什么掉了？」	「快速排序为什么是 O(n log n)？」
交互目的	筛选、下钻、对比	试错、预测、构造
失败模式	误导——图形歪曲了数据	误解——画面流畅但机制讲错了
评价标准	准确性、信息密度、可读性、可复现	是否建立正确心智模型、能否迁移
删掉图还剩什么	一张表，信息基本不丢	一段文字描述，信息丢失严重
能否虚构	不能	可以——示意的细胞、简化的齿轮都被接受
时间维度	通常是真实时间序列	通常是「过程的先后」而非真实时间

其中「能否虚构」这一条最能区分两者。

数据可视化里，把 529 例和 51986 例涂成同一个颜色是错误；知识可视化里，用一个示意图表示细胞结构、把齿轮厚度夸张化以便看清啮合，是合理的教学手段。

这不是标准高低之别，而是目标不同导致的约束不同。

二、数据可视化：以数据为对象

核心是“这份数据说明了什么”。按用途可分为几族：

① 运维监控 —— Grafana、Kibana、Prometheus + Grafana。特点是时间序列密集、刷新频繁、告警驱动。

② 商业智能 —— Tableau、Power BI、阿里云 Quick BI、Apache Superset、DataEase、FineBI。特点是指标口径治理、多维下钻、权限管控。

③ 数据大屏 —— 阿里云 DataV、帆软 FineVis、百度 Sugar、腾讯 RayData。特点是面向汇报与参观，强调视觉冲击与全屏布局。

④ 图表库（底层） —— Apache ECharts、D3.js、Highcharts、Plotly、Chart.js、AntV G2。这些是做前三类的工具，本身不产生内容。

⑤ 统计与科学绘图 —— matplotlib、ggplot2、seaborn、Vega-Lite。面向数据分析师与科研人员。

⑥ 地理空间 —— deck.gl、Mapbox GL、AntV L7。处理带经纬度的数据。

⑦ 数据新闻 —— 网易数读、澎湃美数课、The Pudding、Our World in Data、Financial Times 的 Visual Vocabulary。面向公众传播。

⑧ 探索式分析 —— Observable、Jupyter、RStudio。面向分析师自己边算边看。

这一类的硬约束体现在哪：

• 坐标轴不能截断（柱状图必须从 0 开始），否则倍数被视觉放大
• 分级色不能随意切分，否则量级差异巨大的对象会被涂成同色
• 圆形/气泡必须按面积编码，按半径会让数值被平方放大
• 3D 通常有害（除非数据本身是三维的），透视会让读数失真

这些不是审美偏好，是准确性问题。相关的权威依据有 Google 官方《可视化陷阱》文档、英国国家统计局的图表指南等。

三、知识可视化：以理解为对象

核心是“这件事是怎么运作的”。按学科分：

① 计算机与算法

• VisuAlgo —— 覆盖排序、图论、树、几何、动态规划的算法可视化平台
• Data Structure Visualizations（USFCA） —— David Galles 的经典集，纯 JS、极轻量
• Algorithm Visualizer —— 从代码生成可视化的开源平台
• Python Tutor —— 逐步执行代码，展示栈帧、堆对象与引用关系
• Red Blob Games —— A* 寻路、六边形网格等交互式讲解
• 灵感可视 · 数据结构可视化（ds.linggankeshi.com）—— 用 SVG 演示数据结构运行过程，覆盖线性表、串、数组、广义表、树（含线索二叉树、哈夫曼树、红黑树、B+ 树）、图（四种存储结构）、并查集、查找与七种内排序，共 48 个主题，并提供代码随机测验

② 数学

• GeoGebra —— 几何、代数、微积分的动态数学环境
• Desmos —— 函数绘图的交互标杆
• Mathigon —— 被称为“交互式数学教科书”
• Explained Visually —— 特征向量、主成分分析、马尔可夫链的极简交互
• Seeing Theory —— 概率统计的交互式教程（有中文版）
• 3Blue1Brown / Manim —— 数学动画的天花板，自研引擎

③ 物理与化学

• PhET —— 科罗拉多大学博尔德分校的交互仿真，覆盖物理、化学、生物、数学、地球科学（有中文版）
• Paul Falstad 的小程序集 —— 电路、波动、量子力学、流体仿真
• 分子结构查看器 —— MolView、ChemDoodle 一类，把分子式变成可旋转的三维模型

④ 生物与医学

• Anatly（anatly.com）—— 交互式三维人体解剖，含肌肉起止点、神经支配、动作说明与测验
• Cell Forge（cellforge.org）—— 把显微镜照片转成可交互的三维细胞模型，面向 AP Bio / IB / A-Level / MCAT 等考试
• 蛋白质结构查看器 —— 基于 PDB 数据的三维结构浏览
• 脑图谱类工具 —— 如 Allen Brain Atlas，把神经解剖数据做成可探索的图谱

⑤ 天文与地球

• Super Universe（super-universe.app）—— 三维宇宙地图，覆盖太阳系、恒星、系外行星、银河系与宇宙网
• NASA Eyes —— 官方太阳系与任务可视化
• Google Earth —— 地球尺度的空间理解
• Windy —— 气象场的动态可视化

⑥ 网络与关系结构

• Cytoscape —— 复杂网络分析与可视化的开源平台，生物网络领域的事实标准
• Gephi —— 通用网络分析与布局工具
• Neo4j Bloom —— 图数据库的可视化探索界面
• Kumu —— 面向关系与系统思维的图谱工具
• Obsidian 关系图 —— 笔记之间链接结构的可视化

⑦ 概念与思维结构

• CmapTools —— 概念图（concept map）的经典工具
• Nicky Case 的 Explorable Explanations —— 博弈论、信任、系统思维的互动讲解

⑧ 工程与机械

• Bartosz Ciechanowski —— 齿轮、内燃机、相机、GPS 的长文交互解释，每篇都可拆解拖动

这一类的“软约束”体现在哪：

• 为了讲清啮合，齿轮可以画得比实际厚
• 为了突出重点，细胞器的大小比例可以失真
• 为了揭示顺序，动画可以让过程放慢一千倍
• 只要机制是对的，表现形式可以自由取舍

但要小心，软约束不等于没有约束。知识可视化最常见的问题恰恰出在这里：动画很好看，但机制讲错了——比如把二叉树的旋转画成上下颠倒，或者让递归的执行顺序看起来是广度优先。

四、模糊地带

两类之间没有一刀切的边界，几处典型的交叠：

网络图 —— 同一个 Cytoscape，画社交网络的用户关系属于数据可视化（节点是实测实体）；画基因功能关联属于知识可视化（节点是概念）。判断依据是节点本身是“测量对象”还是“概念”。

数字孪生 —— 主体是实时数据（数据可视化），但内部含物理模型与规则（知识属性）。这类系统往往要同时满足两套标准。

地理可视化 —— 分级着色地图（choropleth）是数据可视化；地质剖面图、板块构造示意图是知识可视化。同一种媒介，不同的对象。

数据新闻中的解释性插图 —— 主线图表是数据可视化，配的机制示意图是知识可视化，常在同一篇文章里混用。

五、一个可操作的判断方法

拿不准某张图属于哪类时，问三个问题：

问题一：有没有“真实值”必须对应？

有，且改动数值就是错误的 → 数据可视化 没有，数值可以为了讲清楚而调整 → 知识可视化

问题二：图删掉，信息还剩多少？

几乎不剩（数据和结论都在图里）→ 数据可视化 还剩不少（核心是一段概念描述，图只是辅助）→ 知识可视化

问题三：失败时是“误导”还是“误解”？

图形歪曲了数据，读者得出错误结论 → 数据可视化 画面流畅，但读者建立的机制模型是错的 → 知识可视化

六、为什么这个区分重要

一、评价标准不同，不能互相套用。

拿“信息密度”去要求知识可视化，会做出没人看得懂的密图；拿“示意图”的思路去做数据可视化，会误导决策。两类东西的“好”是完全不同的好。

二、团队能力结构不同。

数据可视化的核心能力是数据工程 + 指标治理 + 图表规范；知识可视化的核心能力是领域知识 + 交互设计 + 动画实现。一个人同时擅长两者的很少。

三、目标市场与获客路径不同。

数据可视化的买方是企业（BI 部门、数据中台、运控中心），决策链长、预算大、重视合规与集成；知识可视化的买方是教育机构与学习者个体，决策链短、单价低、但传播性和复购性强。

四、也是最容易踩的坑：用错了工具。

用 Grafana 做算法教学，会被它的数据模型卡住；用数据大屏工具做解剖教学，会陷入“好看但不能交互探索”的困境。工具是为目标设计的。

结语

数据可视化回答的是「数据说了什么」，知识可视化回答的是「事情怎么运作」。

前者的天花板是准确——不误导是最低要求； 后者的天花板是洞察的传递——让另一个人脑子里长出和你一样的模型。

两者的最高成就长得很不一样：一个是让人一眼看清 10 万条数据里的异常，一个是让人在 10 分钟后真正理解了快速排序。

---

本文所举站点均经实测可访问。知识可视化的学术定位参见 Eppler & Burkhard 的相关框架，以及中文期刊 2005 年对该领域的介绍。