上周，我看见一张很漂亮的增长图。
折线向右上方扬起，颜色克制，标签整齐。要是把它放进经营周报，领导大概会点点头，说一句“趋势不错”。
问题是，纵轴没有从零开始。
原本只有几个百分点的波动，被画成了一段令人心潮澎湃的爬坡。图没有算错，数据也没有造假。它只是选了一个很会说话的角度。
以前，做出这样的图需要一个分析师亲手设置坐标轴。现在，AI 几秒钟就能做完，而且通常做得比我们临时拼的 Excel 图好看。
于是一个有点尴尬的问题来了：如果 AI 已经会写图表代码，数据分析师还值钱在哪里？
会生成图，不等于知道该画什么
Microsoft Research 在 7 月 8 日发布了 Flint，一种面向 AI 图表生成的可视化中间语言。
它的思路很直接。让模型完整生成 Vega-Lite、ECharts 或 Chart.js 配置，容易陷入细节：日期格式怎么解析，标签留多少空间，百分比保留几位，颜色怎么映射，坐标轴从哪里开始。配置越长，模型越容易漏掉一个不起眼但重要的参数。
Flint 让 AI 先写一份更短、更容易检查的规格，再由编译器根据字段的语义类型补齐布局、比例尺和格式。同一份规格还可以输出到不同图表库。
换句话说，它把“我要表达什么”和“这张图具体怎么渲染”拆开了。
这对数据分析很重要。因为一张图真正困难的部分，从来不是把柱子画出来，而是做选择：
- 这是金额还是比例？
- 是看绝对变化，还是看相对变化？
- 排名里的第 1 名，是最好还是最差？
- 缺失值代表没有发生，还是没有采集？
- 时间是自然日、工作日，还是业务结算日？
这些问题没有一个能靠“图表更漂亮”解决。
字段名给不了 AI 足够的答案
很多公司的数据表里，有一些很有年代感的字段名。
amt、rate、dt、rank_no。写表的人当然知道它们是什么意思。三个月后，换了一个同事，只能先在群里问。再过一年，AI 接进来，它会很有礼貌地猜。
rate 可能是小数形式的转化率，也可能已经乘过 100；dt 可能是下单日，也可能是分区日期；rank_no 可能按销售额从高到低排，也可能按风险从高到低排。
模型可以根据字段名和值分布推测，但推测仍然是推测。
Flint 强调语义类型，是因为低层参数可以交给编译器，意义不能凭空出现。数据分析师接下来更需要做的，不是背下所有图表配置，而是把意义写成别人和机器都能读懂的约束。
至少要留下四件事：
- 字段是什么业务概念；
- 值采用什么单位和口径；
- 哪些比较是合理的；
- 哪些图形会造成误解。
这听起来像文档工作，不太性感。可如果这四件事没写，AI 画图越快，错误进入会议室的速度也越快。
数据分析师的工作，会从“亲手画”变成“负责验”
以前，一张经营图表从取数到出图，分析师几乎全程亲手做。以后，AI 可能包办查询、图表选择、代码和说明文字。
但责任不会跟着自动化一起消失。
业务看到图以后，仍然会问：“为什么这个月突然涨了？”“这个比例能和去年比吗？”“把纵轴拉长以后，趋势是不是没那么明显？”
这时，真正有价值的分析师不是回答“这张图是 AI 生成的”，而是能说清：
- 为什么选这类图，而不是另一类；
- 哪个尺度是为了忠实表达，而不是为了好看；
- 数据里有哪些缺口；
- 结论可以走到哪里，不能走到哪里。
AI 可以承担制作成本，分析师要承担判断责任。
这并不是坏消息。我们终于有机会少花一点时间调字号、挪图例、改颜色，把时间用在更像分析的事情上。
给自动生成图表加一道“四问”
如果你已经在用 AI 画图，不妨在提交前问四个问题。
第一问：语义对吗？
字段、单位、时间和口径是否被正确理解。尤其检查百分比、累计值、去重人数和排名。
第二问：尺度诚实吗？
坐标轴、区间、颜色和排序有没有放大差异，或者把重要差异压平。
第三问：比较成立吗？
两个群体是否处在相同时间窗口和统计条件下。同比、环比、实验组和对照组不能只看标签像不像。
第四问：结论越界了吗？
图表展示相关性，不等于证明因果；展示均值，不等于每个人都如此。
这四问不复杂。真正麻烦的是，大家常常在图已经进了 PPT、会议还有五分钟开始时才想起它们。
所以更好的做法，是把它们写进团队的图表验收习惯。让 AI 生成图时同时输出字段解释、尺度选择和风险提示；让分析师检查这些理由，而不只是检查图片能不能打开。
以后最贵的不是画图，是知道哪里不能画
过去，熟练操作 Excel、Tableau 或 ECharts 是一项明确技能。工具不会立刻消失，但“亲手完成每个图表细节”会越来越便宜。
留下来的，是那些不容易被自动补齐的判断。
什么值得比较，什么不能放在一起；什么时候应该从零开始，什么时候需要局部放大；哪个异常值得解释，哪个波动只是噪声；一张图是在帮助决策，还是在替某个期待找证据。
AI 会让图表更多，也会让看起来正确的图更多。
数据分析师最值钱的地方，可能不再是会选颜色，而是在所有人准备点头以前，知道该把哪张图拦下来。
我叫石头，在数据行业里摸爬滚打了十几年，画过的图不少，被图骗过的次数也不少。这里写的，就是这些教训——我觉得值得说出来的那部分。
来源：Microsoft Research：Flint, a visualization language for the AI era
