今年,我们应该已经听够了“大数据”这个词。所有人都在嚷嚷自己的平台上有多么巨量的数据,但也有人干着把这些数字妥善、清晰、优雅地呈现在人们面前的工作。
这里有 10 张 2015 年迷人的可视化设计,制作精美、养眼、鼓舞人心,改变你解读世界的方式。
1.《人是如何诞生的?》by Eleanor Lutz
你可能觉得自己知道一颗受精卵是如何成长为一个婴儿的,回想一下高中生物里的图片?下面这张目眩的 Gif 向人们展示了胚胎发育过程的科学。
详细地解释了从受精到胎儿发育的 40 个阶段。
2.《疫苗的影响》by Tynan Diebold and Dov Friedman
《华尔街日报》在今年 2 月献上了这系列令人讶异的信息图,强调了疫苗对人类不可磨灭的功绩。在一些声音开始质疑疫苗安全的时候,这组 100,000 病例样本数据,展示了如果没有疫苗,世界将会非常的“色彩斑斓”。
疫苗出现后,麻疹的患病率:
流行性腮腺炎:
天花:
3.《你一生中,有多少年美国在进行一场战争?》by Philip Bump
对那些 2001 年以后出生的美国人来说,他们的国家没有一天不在打仗。转折点恰好是 1984 年,美国人一生中经历的战争的时间在那一年正好达到了一辈子的 50%。
4.《Dear Data》by Giorgia Lupi & Stephanie Posavec
Giorgia Lupi 和 Stephanie Posavec 是两位数据可视化设计师。他们一个住在纽约,一个住在伦敦,而这个 Dear Data 项目是他们每周例行的一次“笔友会”:
每周确定一个主题(或者说数据展现的方式),收集自己这周生活中出现的数字(开过的门,喝过的酒)然后把这些画成可视化数据的形式,寄给对方。
第 51 周,明信片的正面是“数据密码”,背面是“解码的方式”。
5.《你还有多少年能活,大概》by Nathan Yau
我还能活多久?来自美国疾控预防中心的最新数据可以回答你这个问题。输入性别和年龄,这张动图会告诉你“退休时间”、“最可能在几岁离世”。
6.《太阳系》by Alex Gorosh and Wylie Overstreet
可能是今年规模最大的可视化项目。他们在一片荒漠中严格地按照比例还原了太阳系的整个样貌,到了晚上,你可以清楚地看到地球和它的恒星之间的距离有多么遥远。
7.《伦敦方块》by Max Gadney and Mike Gallagher
有太多可视化的信息图在使用“地图”作为元素,但他们往往因为过于写实的地界曲线,让屏幕上的阅读变得非常困难。“伦敦方块”项目就是解决这一难题的绝妙尝试。
他们把伦敦的行政区按照方位全部简化为一个个方格,方格中间的迷人曲线则代表了泰晤士河——最标志性的城市元素,把伦敦分割成两个区域。
这张底板设计完成后,一些适配在小屏幕上的数据运用就可以变得更加易读。
让人崩溃的“地图信息图”▲让人崩溃的“地图信息图”
▲伦敦方块
8、《复杂的全球经济》by Owen Cornec and Romain Vuillemot
这个网站是哈佛的一个项目,全球价值 15 万亿美元的大宗交易都在这里了。地图上的每个点都代表 1 亿美元的进出口商品。滚动地球/放大每一个点你都能阅读更详细的信息,令人震撼,建议点进网站体验。
中国貌似是点最密集也最亮的国家。
9、《多余的人》by Tania Boa
这组数据展现了一个惊人的事实:在印度每 50 秒就有一对父母因为想要儿子而杀死自己刚出生的女儿,每年这个死亡数字达到了 649,000 名女婴。
同样是一个网站,通过滑动屏幕你读完了整个故事,由文章、数字、一些引用的语句组成。下面这张图,是 1991 年至 2005 年印度人一胎、二胎、三胎时,男孩和女孩的存活率对比。
10、《你对加利福尼亚州干旱的可能贡献》by Larry Buchanan,Josh Keller,and Haeyoun Park
加利福尼亚的农民们生产着全国超过三分之一的蔬菜,以及三分之二的水果和坚果,但今年已经是这个地方连续第四年的干旱了。
平均一个美国人一周就要消耗 300 加仑来自加利福尼亚的水——是这些水灌溉了那里的农作物,从而生产出你每天消耗的食物。
结 16 颗杏仁,需要 15.3 加仑的水;一片橘子(注意是一片)需要 6.2 加仑的水;而人们需要 143 加仑的水才能得到 4 杯牛奶。
▲9 片树叶需要 8 杯水才能长出来
▲一泳池的水 = 4 杯牛奶
把所有的水和你吃到的食物放在一起对比的感觉如何?这篇《纽约时报》的文章通过变成图片的直观数据,告诉人们干旱如何改变加州,而这一切又是如何发生的。
好吧,这就是数据被可视化之后的魅力,它们会产生逻辑、意义,变成更值得思考的东西。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。