未来趋势：人工智能
与可视分析深度融合
人工智能正在从数据处理、可视化生成、交互增强到分析推理等各个环节深刻改变可视分析的面貌。本章探讨 AI4VIS、VIS4AI 与 NL2VIS 的前沿进展，展望可视化与元宇宙、AI 的深度融合趋势，描绘人机协同的未来图景。
概述：AI 促进可视化发展
人工智能与可视化的融合是大数据时代的重要趋势。AI 正在从以下四个维度全面赋能可视分析流程：
AI 自动清洗、转换、补全数据，减少可视化前的人工预处理负担。机器学习方法可自动识别数据中的异常值和关键特征。
基于数据特征自动推荐合适的图表类型和视觉编码，甚至生成完整的可视化设计方案，降低设计门槛。
自然语言、手势、语音等多模态交互方式使非专业用户也能便捷地探索数据，AI 可预测用户下一步操作并主动推荐。
AI 辅助发现数据中的模式与规律，自动生成洞见摘要，帮助用户理解复杂现象背后的成因。
| 维度 | 传统方式 | AI 增强方式 | 典型技术 |
|---|---|---|---|
| 数据处理 | 手动清洗、ETL 流程 | 自动缺失值填补、异常检测 | AutoML, 数据Profile |
| 可视化生成 | 手动选择图表类型 | 智能推荐、自动设计 | Voyager, Draco, Show Me |
| 交互增强 | 鼠标键盘操作 | 自然语言、语音、手势 | NL4DV, Eviza, DataTone |
| 分析推理 | 人工总结发现 | 自动洞见生成、因果推理 | QuickInsights, Voder |
小测验：17.1 概述
+20 XP前沿案例
AI 与可视化的融合研究可以从两个方向理解：AI4VIS（AI 赋能可视化）和 VIS4AI（可视化赋能 AI），此外还有 NL2VIS（自然语言到可视化）这一热门交叉领域。
AI4VIS 的核心目标是让 AI 理解数据特征并自动推荐或生成最合适的可视化方案。这包括：自动识别数据类型（分类、有序、定量）、推荐视觉编码（位置、颜色、大小）以及生成完整的图表规格。
选择数据特征，观察 AI 如何基于数据属性推荐最合适的图表类型。
Voyager
基于 Compass 推荐引擎，自动枚举可视化设计空间，帮助用户发现数据中意想不到的模式。
Draco
使用逻辑编程定义可视化设计约束与软偏好，自动寻找满足约束的最优可视化编码方案。
Data2Vis
端到端的神经网络方法，直接将数据表翻译为 Vega-Lite 可视化规格，无需中间规则。
小测验：17.2.1 AI4VIS
+20 XPVIS4AI 是从另一个方向看问题：用可视化技术帮助人们理解和信任 AI 模型。当深度学习模型变得越来越复杂时，可解释性成为关键挑战。可视化可以展示模型内部结构、特征重要性、决策边界等，帮助开发者调试模型、帮助用户建立对 AI 的信任。
点击不同的输入样本，观察一个简单神经网络各层的激活模式。颜色深浅代表神经元的激活强度。
小测验：17.2.2 VIS4AI
+20 XPNL2VIS（Natural Language to Visualization）是 AI 与可视化融合中最令人兴奋的方向之一。用户只需用自然语言描述想要看到的内容，系统便自动理解语义、映射数据字段并生成对应的可视化。这极大降低了可视化的使用门槛，让非技术用户也能轻松完成数据探索。
输入一段自然语言查询，观察系统如何将其解析为可视化规格。也可以点击下方的示例查询。
小测验：17.2.3 NL2VIS
+20 XP趋势与展望
展望未来，可视化、AI 与元宇宙正在走向深度融合。沉浸式分析将成为主流，用户可以在虚拟现实中"走进"数据，与 AI 助手对话，获得实时的分析洞见。
沉浸式数据可视化让用户在三维虚拟空间中探索数据。VR/AR 技术突破屏幕限制，提供更自然的空间认知和协作体验。
AI 不再是工具而是"分析伙伴"，主动提出假设、推荐探索路径。人类专注于判断和决策，AI 负责计算和模式发现，形成互补闭环。
小测验：17.3 趋势与展望
+20 XPAI + VIS 时间线
以下是 AI 与可视化融合发展的关键里程碑，点击条目了解详情，使用过滤器筛选不同方向。
互动闯关
先在左侧选择场景，再在右侧选择对应方向