AI时代科研绘图门槛真的降低了吗？_科学技术

1. Seaborn 绘图基础

2. Pandas 应用实例：多工具协同与数据可视化

3. 内存飞涨!生产力刚需,需要加价买大容量旗舰内存吗？ Origin Code Vortex VS DW100 96GB实测

4. 刚刚，MOSS孙天祥创业，直播AI4AI大规模科研

5. 自动化 AI 科研的最后一块拼图来了！清华ISE开源项目 Alchemy 是一个面向自动化 AI 科研的标准化研究环境。它通过明确分离“AI Scientist”算法开发层和“研究环境”执行层，让科研人员只需专注算法设计和超参数配置，科研基础设施部分全交给 Alchemy 自动打理！主要功能：- 🧠 AI Scientist 专注提出假设、实现算法、设计超参数，支持多轮迭代优化- 🔥 研究环境负责任务配置、GPU调度、容器执行、高并发科学实验管理- 支持推荐系统（含多模态推荐）、图学习、时间序列分析等多领域任务- 配置简单，docker/singularity 镜像支持单机多卡与异构环境- 方便新增任务扩展，助力自动化科学发现闭环只需交付 algorithm.py 和 hyperparameter.yaml，Alchemy 就能帮你跑起来，自动化科研省心又高效！GitHub：github.com/TsinghuaISE/Alchemy#自动化AI科研# #科研工具# #人工智能#

6. 【研究提出结构感知检索增强生成方法】近日，中国科学院计算机网络信息中心提出一种面向Web端科学可视化的结构感知检索增强生成方法。该方法引入管线规划与模块感知的匹配策略，有效缓解了大语言模型直接生成科学可视化代码时存在的结构缺失、算子误用和顺序错误等问题，实现由自然语言指令到可视化结果的可执行流水线自动化构建。在转子切片分析、海洋气象流线生成以及等值面提取等典型任务中，该方法展现出良好适用性。评估结果显示，相较于直接利用大语言模型生成可视化结果的方法，该方法可将人工修正成本平均降低79.1%。基于此，团队进一步研发了面向科学可视化流水线构建的交互式分析与评估系统，支持科研人员通过交互式分析界面对生成结果进行即时验证与反馈，提升了科学分析效率与结果可靠性。相关研究成果已被2026年PacificVis VisMeetAI研讨会收录，并发表在Information Visualization上。研究工作得到中国科学院战略性先导科技专项等的支持。#中国科普博览#

7. 陶哲轩关于 AI + 科研、AI 时代教育的核心观点梳理以下内容严格基于本次专访中陶哲轩本人的表述，分为AI + 科研（AI×Science）、AI 时代的科研人才培养与高等教育两大核心板块，提炼核心观点如下：一、对 AI + 科研（AI×Science）的核心看法1. 创办 SAIR Foundation 的核心动因与定位底层判断：AI 将从根本上改变科研模式，当前亟需厘清「科研场景中如何合理、高效运用 AI」的核心问题，树立可复制的最佳实践。两大核心目标：用科学的方法打造 AI，借助 AI 重塑基础科学研究。组织定位：弥补传统科研体系的不足 —— 传统学术界与产业界各司其职的模式运转速度过慢，学术界缺乏灵活的资源与试错空间，产业界很少投入长期基础研究；SAIR 作为非营利联盟，要搭建学术与产业的桥梁，推动更灵活、更大胆的创新尝试，同时以跨学科、全球化的协作，解决科研体系的结构性瓶颈。2. 通用大模型在科研场景的核心短板陶哲轩明确指出，当前主流通用大模型无法直接满足科研的核心需求，核心短板集中在 4 个方面：幻觉问题突出，可信度不足：科研需要可验证、可信任的系统，而通用模型的幻觉问题会严重干扰科研工作。可解释性与可追溯性缺失：模型无法说明结论是来自训练数据中的既有文献，还是新的创新组合，也无法规范地将结果与现有学术知识体系关联；而科学研究的核心要求之一，是把新结果纳入已有知识体系，实现可追溯、规范引用，支撑后续研究推进。无法表达置信度：科研中研究者会明确对结论的信心层级（如 “非常有把握”“仅为初步猜想”），但 AI 几乎总是以 100% 确定的语气输出，这一缺陷大幅降低了其在科研中的实用性。效率与适配性严重不足：通用大模型依赖海量数据与算力，学习效率远低于人类（人类看十几个例子就能抓住核心，AI 往往需要数百万样本）；同时绝大多数科研任务是高度专门化的，并不需要 “万能” 的通用大模型，更需要轻量化、定制化、贴合科研工作流的工具，通用模型与科研的核心需求存在明显错位。3. AI + 科研的正确发展路径拒绝盲目堆规模，核心是完善 AI 的科学方法论：不认同行业一味追求 “更大模型、更多数据、更强算力” 的 Scaling 路线，认为该模式长期会遭遇数据、能源、算力的瓶颈；AI + 科研的核心是 “Scaling the Science of AI”，即提升 AI 的可信度、可解释性，优化人机协作模式，建立适配科研场景的底层原则与方法论。打造科研垂直 AI，配套严格的验证框架：并非要完全替代现有大模型，而是将其嵌入更严格的科研验证、校验体系中，通过强制验证机制，让模型输出系统性关联学术文献体系，打造专门为科研设计的 AI 工具。以高质量数据为核心根基：AI 在科研领域的进展，高度依赖高质量、结构化的专业数据；低质量的合成数据不仅无法解决问题，反而会污染原有数据集，数据质量的重要性不亚于模型本身。以数学 / 基础科学为 AI 的安全试验场：相比金融、医疗等高风险、低容错领域，数学和基础科学是打磨可靠 AI 的理想场景 ——AI 算错一道数学题几乎没有损失，且数学输出可被形式化验证，能先在这个安全环境中解决 AI 的可靠性问题，再将成熟的方法论迁移到其他高风险应用领域。4. AI 对科研生态与格局的深层影响核心价值是科研普惠化：AI 大幅降低了科研门槛，让非传统科研背景、非顶尖机构的人，甚至青少年都有机会参与前沿科研；未来能为科学做贡献的能力类型会变得更加丰富，不再局限于传统的学术精英，有望实现 “未来出现 10000 个陶哲轩” 的愿景。彻底重构科研协作模式：打破了 “孤独天才” 的传统科研叙事，未来科研将以更大规模、更多元的团队协作展开；AI 是打破学科壁垒的核心催化剂，推动数学、物理、生命科学、社会科学等多学科的交叉互动。同时，数学研究将向现代软件工程学习，引入版本控制、单元测试、质量校验等成熟体系，支撑几十上百人的大规模远程协作。推动科研分工精细化：传统科研中，研究者需要包揽解题、计算、写论文、申请经费、学术报告等全流程工作；未来科研会出现更细致的分工，有人负责长期愿景与方向判断，有人擅长人机协作落地，有人负责团队协调与学术传播，科研的参与方式更加多元。5. 个人使用 AI 的实践与明确边界陶哲轩分享了自己日常科研中使用 AI 的真实方式，核心是「把 AI 当作辅助工具，而非替代核心思考的主体」：高频使用场景：文献检索、论文内容总结、论文写作辅助（自动补全、草稿起草）、简单数据可视化、繁琐的数学计算、海量文献筛选等偏事务性、辅助性的工作。明确的使用边界：在深度思考、攻克核心研究难题时，基本不使用 AI，依然依赖纸和笔；AI 目前无法复现人类科研中的 “顿悟” 过程，无法像人一样从多次失败中逐步学习、调整研究方向，只能在研究者已有清晰思路后，提供落地层面的支持。核心使用原则：没有统一的 “标准工作流”，核心是匹配个人研究需求 —— 把自己最享受、最核心的数学深度思考环节留给自己，把不擅长、不享受的事务性工作交给 AI。二、对 AI 时代科研人才培养与高等教育的核心看法1. 对青年研究者成长的核心判断警惕 AI 拆掉年轻人的成长阶梯：AI 已经能完成很多研究生、初级研究者的基础训练内容（标准解题、基础实验环节、文献整理等），但这些看似重复、枯燥的基础工作，是研究者核心能力成长的关键；不能因为 AI 效率更高，就把这些训练完全交给 AI，必须为年轻研究者保留有价值的、完整的基础训练过程。工具使用与基础训练必须平衡：以计算器的普及为类比 —— 直到今天，教育依然会先教会孩子手算加减乘除，再让他们使用计算器；AI 也同理，必须先让年轻人亲手完成足够的基础训练、积累充足的科研经验后，再逐步引入自动化工具，绝对不能本末倒置。重视导师制与榜样的价值：需要顶尖科学家与青年研究者形成紧密的师徒制结构，不仅要传递科研方法，更要分享面对科研不确定性、挫折与失败的经验，引导年轻人形成负责任的 AI 使用习惯，在支持创新的同时，不牺牲核心科研能力的成长。2. AI 时代高等教育的变革方向核心原则：不能禁止新技术，要教会学生正确使用：面对 AI 的冲击，高校的核心任务不是简单禁止学生使用 AI，而是教会学生如何负责任、有边界地使用 AI，让学生把 AI 当作探索研究的起点，而非替代自身思考的终点。必须破解当前的极端化困境：当前学生群体出现两个极端 —— 要么完全依赖 AI，成绩好看但并未真正掌握知识、锻炼核心能力；要么完全拒绝使用 AI，基础扎实但效率和成果产出落后于他人。高校亟需找到二者的平衡点，重新设计培养体系，避免 AI 消解高等教育的核心价值。培养模式的核心转型方向：从孤立的知识模块教学，转向更整体的、通用问题解决能力的培养，加强不同课程间的整合；从单人应试导向，更多转向小组项目、协作式学习，让培养模式更贴近真实科研与产业的形态；吸收产业界的问题导向思维，教会学生用 AI 解决真实世界的问题，而非只掌握割裂的理论知识。灵活适配 AI 的发展节奏：跳出传统学期制度的限制，通过暑期学校、密集学术项目、研讨班等形式，更快迭代课程内容，让培养体系跟上 AI 技术的发展速度。3. AI 时代未来研究者的核心能力团队协作与跨背景沟通能力：未来科研是大规模多元团队协作，跨学科、跨领域的沟通能力，以及团队协作的软技能，会变得和专业能力同等重要。科研 “品味” 与方向判断力：能够形成整体判断，识别哪些研究方向真正有价值、值得投入，再借助 AI 和合作者落地执行，这种宏观判断力的重要性会远超单纯的解题能力。批判性思维与提出好问题的能力：清晰定义问题、明确核心诉求，是用好 AI 的核心前提，所谓的 “提示词工程” 本质上就是批判性思维的体现。开放的跨学科学习能力：愿意保持开放心态，学习不同学科的 “语言”，能串联不同领域的想法、看到整体图景，而非只局限在自己的狭窄细分领域。对工具的克制与合理使用能力：清晰知道什么时候该用 AI、什么时候该主动克制，不被工具替代自身的深度思考。4. 关于 AGI 时代数学学习的终极思考即便 AGI 超越人类，数学依然有其价值：以交通工具为类比 —— 汽车、飞机的出行效率远超人类步行，但人类依然会走路，不是因为必须，而是因为热爱、因为对身心有益；数学和科学也一样，即便未来 AGI 的数学能力全面超过人类，人们依然会出于兴趣、好奇心和自我满足，亲自去做数学研究，它会变成一种手艺、一种纯粹的智力爱好。人类的能力依然有不可替代性：人类的学习和推理方式与 AI 完全不同，AI 依赖海量数据和算力，而人类能在极少数据、极低计算量的情况下做出有效判断，这种能力在未来依然有不可替代的价值。数学学习的角色会发生转变：未来的科研模式，很可能是人类把握少数关键研究方向，AI 填充海量的细节与执行工作；数学学习的核心目的，不再只是培养解题能力，更多是培养严谨的逻辑、清晰的深度思考能力，以及把握科研方向的核心判断力，它的角色和目的会与当下不同，但依然有不可替代的意义。#陶哲轩##AI##AI4S#

8. 清美沙龙回顾：传统新生·教学相长·跨学科对话

9. 科研绘图经常需要反复调参数，配色不标准、字体不对、布局乱七八糟，还得AI重绘或手动修半天。nature-skills 把Nature期刊绘图规范全部整合到一起，提供了整套科研绘图的解决方案。不仅有publication-ready的多面板matplotlib图表生成，还支持学术prose润色、审稿回复、数据可用性声明，甚至paper转PPT工作流。GitHub：github.com/Yuan1z0825/nature-skills主要功能：- nature-figure：Nature级matplotlib多面板图，支持10种图表类型（柱状/折线/热图/散点/雷达等），输出可编辑SVG；- nature-polishing：学术文本润色到Nature风格，≤30词句子、时态对齐、英国英语；- nature-citation：Nature/CNS引用检索，支持ENW/RIS/Zotero RDF导出；- nature-response：审稿意见逐点回复，行动映射+风险检查；- nature-data：数据可用性声明+FAIR元数据审计；- nature-paper2ppt：论文转中文化PPTX，精简证据链+演讲笔记。基于真实Nature论文和指南规则，支持Python本地运行，适合科研工作者、博士生和投稿党。#科研绘图##Nature投稿##AI工具##学术写作#

10. 深势科技携手阿里云 AgentRun，加速科研 AI Agent 全速运行

11. 制作信息图表通常需要繁琐的设计步骤，即便有了数据，如何将其转化为美观、直观的可视化图表依然是一大挑战，对于非设计专业人士来说门槛颇高。AntV Infographic 是一个开源的信息图表生成与渲染框架，旨在通过声明式的语法让文字和数据瞬间焕发生命力，实现高效的数据叙事。该项目不仅针对 AI 生成进行了深度优化，支持流式输出渲染，还内置了上百种模板和丰富的组件库，让开发者能够快速构建出专业级别的信息图表。GitHub：github.com/antvis/Infographic主要功能：- AI 友好设计，配置语法经过专门调优，支持 AI 流式输出与实时渲染；- 内置超过 200 个信息图表模板、数据组件和布局方案，开箱即用；- 强大的主题系统，支持手绘风格、渐变、纹理等多种预设及深度定制；- 集成可视化编辑器，支持对 AI 生成的结果进行二次手动编辑与微调；- 高质量 SVG 输出，确保视觉呈现的清晰度，并方便后续的二次加工；- 具备高度容错的语法解析能力，支持边生成边渲染的动态展示效果。支持通过 npm 安装集成，提供简洁的 API 调用方式，非常适合需要集成自动化图表生成、AI 智能报表或动态数据展示的开发者与产品使用。

12. 【实用】Obsidian Excalidraw，解锁极简绘图新玩法

13. 高校人才培养模式重构及AI赋能下的跨学科与产教融合教学创新实践

14. 产教无界·智教新生：AI时代高校跨学科协同与产教融合路径与实探（5月29日-06月01日）

15. AI如何赋能期刊论文仿写逻辑、技巧与高水平科研项目申报

16. `GPT-Image 时代来了

17. 科研画图可以用AI工具吗？从效率到期刊规范的真实差距

18. 【研途漫漫】最常用科研绘图工具合集

19. 科研图表

20. 科研数据可视化神器

21. SCI 论文数据可视化

22. 科研制图脑袋大？那些你想知道的AI辅助绘图网站

23. 告别熬夜画图！AI科研绘图神器，让你效率翻倍，导师直呼“专业”

24. 提升科研质量的六款优秀科研绘图AI软件介绍

25. 如何高效绘制科研图表？精选6款AI科研绘图工具推荐 - 哔哩哔哩

26. 科研绘图 AI 怎么用？专业 SCI 绘图技巧全教程 - 哔哩哔哩

27. 科研小白变插图高手

28. 智能绘图，高效创作，让AI成为科研绘图加速器

29. 别再死磕专业软件了，科研绘图有捷径

30. 如何快速做出顶刊级科研图

31. 告别绘图焦虑！MedPeer一站式搞定顶刊级插图，科研人直接抄作业

32. 实测5款AI图表生成工具

33. 5款零基础的做图表的软件推荐！高效制作高清图表

34. 2026年AI图表工具实测，5 款图表制作工具，AI数据大屏优选指南

35. 6款可视化图表制作工具对比与分析！职场与学生党全覆盖

36. 6款高效生成图表的ai工具推荐！办公学习制图必选软件

37. 在AI帮助下，复杂图表可生成

38. 2026年带数据图表自动生成的AIPPT工具值得用吗？

39. Nature Human Behaviour｜如何设计有效的科学图表

40. Nature子刊

41. 花几个月学绘图,画期刊封面为何还是“差点意思”?

42. 科研绘图，告别PS！这4招就够了

43. 【科研绘图工具深度解析】科研绘图AI有哪些推荐？告别“苦力活”，迈入智能化绘图新时代！

44. 超强5款AI工具，科研绘图+技术流程图+架构图一站式搞定

45. 2026优质科研绘图网站推荐

46. 直播｜科研绘图：如何用Illustrator绘制常用素材（十三）

47. 【科研绘图工具深度评测】AI如何颠覆科研绘图，让学术表达更高效？——聚焦“科研绘图AI”新范式

48. 0_5如何读懂图表：一份可视化指南

49. AIGC每周精选-工业化软件的崛起 VS一次性软件“快销品”

50. 科研绘图不求人，你自己就能做！手把手教你将ai科研绘图转换为“可编辑”的矢量图

51. 科研绘图如何提升研究成果的传播力与影响力！专业揭秘来了

52. ChatGPT+Gemini+PPT 科研复杂模型绘图方法

53. 教你用AI一分钟生成「技术路线图或框架图」

54. 自然语言生成手绘技术图表！开源工具 Excalidraw：边生成边绘图！

55. 直播｜Adobe Illustrator绘图方法分享——常用素材的绘制方法与思路（五）

56. 150万规模！深势开源科学图像界ImageNet，AI终于能看懂论文图表了

57. 科研绘图软件哪个好用？这7款实测推荐，科研人必看！

58. 【Einstein科研绘图】科研绘图零基础大师班 - 哔哩哔哩

59. Google的PaperBanana使用五个AI智能体自动生成科学图表

60. 【Einstein科研绘图】「第一期」Einstein科研绘图培训

61. CMU重磅新作FEYNMAN：让AI批量生成教科书级科学图表，还炸出了多模态大模型的致命短板

62. 基于Python的生态学、地学领域高质量科研可视化制图

63. 如何科学地描述实验结果？

64. 绘图常用的AI工具哪个好？AI图表生成工具深度测评

65. 科研作图软件有哪些比较好？

66. 四款科研绘图软件如何破解科研人的绘图困境

67. AI 自动出了科研绘图然后怎么办？🧐好办啊 AI 自动生成科研绘图已经蔚然成风，😄比如用我的“SciFigure 智绘”就能很好的做文章插图，当然是前期工作。😅那这种图要怎样操作一番后就能达到出版发要求呢？这里有个案例，宝子们、姐妹们可以看一看哦。😳 #矢量图科研绘图 #科研绘图 #SciFigure智绘 #AI科研绘图 #AI自动出科研绘图

68. 从“画图崩溃”到“高效出图”：Nano Banana 如何重塑科研绘图逻辑

69. 可编辑的科研插图用AI这样画！借助Nano Banana Pro构建结构化提示词，搭配工具一键搞定

70. 新书速览|Seaborn科技绘图：基于Matplotlib的Python数据可视化

71. 学术科研图表可视化：适配场景的工具推荐

72. 专业绘图赋能科研：中科致研让研究成果更出众

73. 科研绘图工具分级指南：从新手到顶刊，这7款神器如何搭配？

74. 科研绘图分级指南！7 款工具从零基础到顶刊全覆盖

75. 科研人必备！我做了一个64款科研绘图工具导航平台（建议收藏）

76. 2026年科研工作者必备：6款高效AI科研绘图工具推荐

77. AI助力高效科研——AI助力高效科研绘图（第二期）

78. 科研数据可视化：连接积累与结论的工具桥梁

79. 六款热门科研绘图AI软件对比分析及选择建议

80. 【智绘科研】Nature级科研绘图

81. Python自动化给Excel数据标色并生成可视化图表

82. 2026年9款科研绘图软件推荐：免费与付费工具深度测评

83. 告别丑图！6款亲测好用的科研路线图工具（30套模板免费领）

84. 科研绘图5款实用工具+干货技巧

85. 如何绘制漂亮的论文插图？8款论文插图工具助你轻松拿捏科研绘图

86. 科研数据可视化工具：高效 “译” 出学术成果

AI时代科研绘图门槛真的降低了吗？

精选参考来源