對話數據可視化創作者金秋楓：在 AI 一鍵生成的時代，我更想做跑贏時間的作品

在一支數據新聞團隊里，最容易被看見的往往是數據記者，而另一個同樣關鍵的角色卻常常隱身：數據可視化設計師。他們要與記者、編輯、工程師一同參與選題的策劃，最終把枯燥複雜的數據變成一件可以面向讀者的數據新聞作品。你所見到的那些數據新聞作品中令人驚嘆的視覺效果和互動，都是由數據可視化工程師來最終實現。

在 2024 年獲得美國亞裔記者協會（AAJA）卓越新聞獎的作品《影觀中的世界觀：355部中外戰爭片告訴了我們什麼？》中，數據記者爬梳了 355 部中外戰爭片，將影片的對白、角色與情節逐一錄入數據庫。但如此龐雜的數據，要如何呈現給讀者？負責數據可視化的金秋楓（Qiufeng Jin, Victoria）沒有選擇傳統的圖表，而是以點陣圖的方式來呈現這些影片，在不同的變量標準下，這些圓點變換不同的排列組合——讀者從頭到尾看到的都是同一批電影，只是每一次，都換一個角度去看它們。用她自己的話說，“好的數據作品，就是把複雜的東西變簡單。”

不過，比起數據可視化設計師，金秋楓更願意稱自己是“以數據為材料的視覺創作者”（Data Artist）。“記者尋找故事，數據工程師處理和分析數據，而我的工作是把數字變成讀者能夠理解、會被觸動的東西。不只是把圖表做得更好看，而是想清楚：這個故事應該長什麼樣子？”她說，答案可以是一張圖、一段動畫、一個互動頁面，也可以是一段聲音。

她的學習與職業路徑和一般的數據可視化工程師不同——香港中文大學主修社會學、輔修新聞學，之後在香港城市大學讀創意媒體藝術碩士。2015 年，她加入剛剛成立的端傳媒，做互動專題與數據新聞；2018 年成立自己的工作室 Funkie Loopie，承接數據可視化項目；2021 至 2025 年，她在一本面向青年的數字雜誌主導視覺設計，並製作了三十多個互動頁面；2025 年底，她加入中東廣播網（MBN），在一支由數據科學家、數據記者和她組成的三人團隊里工作，最新作品“Great Powers Index”追蹤了 23 個中東北非國家在中美博弈中的政治與經濟傾向。十年間，她的作品獲得過亞洲出版業協會（SOPA）、美國新聞設計協會（SND）、美國亞裔記者協會（AAJA）與 Webby Awards 的不同獎項。

十一年的從業經歷里，她完整經歷了中文數據新聞從“大項目”、“專題頁面”主導到短平快傳播的整個周期，也面對過語境截然不同的全球華語讀者。這意味着她的每一個視覺決定都要多思考一層：不只是好不好看、清不清楚，還要在不同語境的讀者和不同的媒介之間，找到那個最大公約數。

複雜的數據新聞作品，在手機上應該如何呈現？在 AI 可以幾秒鐘就能生成高質量圖片的時代，“手搓”的視覺創作還有意義嗎？數據創作者又該如何與新聞團隊協作？帶着這些問題，GIJN 與金秋楓進行了對話。

GIJN：你在工作中最喜歡使用的數據可視化工具有哪些？

金秋楓：一張紙，加一隻筆。

我當然會用 D3、React、Adobe Illustrator 和 After Effect，但這些工具從來不重要。尤其在人人都可以用 AI 創作的時代，工具反而是最容易的一步。真正讓你和別的創作者區分開來的，是你怎麼理解故事、理解讀者。我很喜歡用在紙上畫草圖來快速頭腦風暴，有時候畫著畫著，靈感就來了。

GIJN：能不能分享一件你特別欣賞的數據可視化作品，並具體說說它好在哪裡？

金秋楓：我非常喜歡數據可視化團隊 The Pudding。2023年，我有幸和他們一起進入 OJA“視覺與數字敘事卓越獎”的最終角逐，最後輸給了他們。輸給偶像，心服口服。

我尤其喜歡 Matt Daniels 在2018年發表的作品 Population Mountains 和 Human Terrain。他把全球人口密度化成一根根 3D 柱，柱子越高，人口越密。不同的城市有截然不同的景觀：下曼哈頓是陡峭的尖峰，而亞特蘭大的郊區則是連綿起伏的緩丘。幾乎不用解釋，一眼就懂。好的數據作品，就是把複雜的東西變簡單。

GIJN：你的作品《老去的中國》和《老死在香港是種什麼體驗》都在談老齡化，最後卻選用了很不一樣的呈現方式，為什麼？

金秋楓：《老死在香港是種什麼體驗》最大的難題，是怎麼讓年輕人願意看老人的故事。

我們把節奏做得很快，旁白甚至加速到 1.25 倍。中間還做了一個 8-bit 小遊戲：如果你是一位年收入只有 7200 港元的老婆婆，要怎麼撐過這一年？婆婆化身超級瑪利歐上躥下跳，一路一路房租、醫療和吃飯等支出。裡面有很多類似的黑色幽默。我們只有一個要求：不能無聊。

《老去的中國》則相反。它討論的是中國整體的人口結構：人口金字塔怎麼變、撫養比怎麼升、儲蓄率又會往哪裡走。這是被討論很多的議題，但數據龐雜，有理解成本。所以我們想讓讀者快速抓到重點。

因此，我們拿掉了所有不必要的插畫和動畫。每張圖只講一件事，再彼此串聯，讓整個敘述順着邏輯自然展開。頁面也保持簡單、乾淨、清爽。

GIJN：你是如何判斷一個選題適合用動畫、數據可視化、插畫，還是一個完整的互動頁面來呈現？

金秋楓：大多數時候，選什麼形式還是靠經驗。以前哪些作品效果好、哪些做法有用，慢慢都會變成腦子裡的資料庫。

但現實是，編輯不一定真的會給你很多選擇。有時候，他們會拿着一個案例說，我想要一模一樣的。

所以我常常需要先做 research、找 reference、做不同的 mockup，證明給編輯看：這個故事其實還有其他可能。

另一個限制是資源。越重要的故事，越容易拿到更多時間和人力；動畫、互動這些很耗時間的形式，自然也會優先留給重要議題。所以現在回頭看，我們以前居然可以花那麼多力氣，用動畫做一個老人議題，真的很奢侈。

如果資源充足、形式也能自由選，我會在腦子裡做一次“沙盒推演”：假設我是讀者，我會怎麼一頁一頁看？哪裡開始不耐煩？什麼時候會退出？

說到底，我們做的所有事情，都只是為了讓讀者多停留一會。

GIJN：在《影觀中的世界觀：355部中外戰爭片告訴了我們什麼？》這個作品中，面對 355 部戰爭電影，你是怎麼把這麼大量的數據轉化成最後的視覺和互動形式的？中間最難的部分是什麼？

金秋楓：這個故事其實就兩個重點：一是突出中美對比，二是保留每部電影的細節。數據記者把 355 部電影都看了一遍，逐一 coding 對白、角色和情節，整理出了非常豐富的資料。如果最後只濃縮成幾個數字、一個結論，就太可惜了。

所以視覺選擇很明確：對比就用左右排版；要保留細節，我沒有用傳統圖表，而是選了點陣圖。355 張電影海報變成 355 個點，每個點都代表一部電影，也都可以點開查看詳情。點本身始終不變，只是不斷重新排列。讀者從頭到尾看到的都是同一批電影，只是每一次，都換一個角度去看它們。

這個設計在桌面上效果很好，但到了手機就麻煩很多。點變小了，點擊沒那麼方便；讀者還未必知道點可以被點擊，需要視覺引導。手機上動畫也容易卡。中美原本左右並排的比較，在手機上只能改成上下排列，整體的視覺節奏自然不如桌面流暢。

最後我們還是把手機版調到了一個相對舒服的狀態，UI、UX都做了不少調整，但如果問我，桌面版顯然是一個更完整的體驗。

GIJN：數據可視化有時只是文字或視頻報道的配角，有時是整個報道的主軸。這兩種情況下，你和記者、編輯的協作方式有什麼不同？能不能各舉一個例子，說說什麼樣的協作在你看來是比較理想的狀態？

金秋楓：配角的時候我晚一點進場，主軸的時候我早一點進場。

但理想的協作，是這個行業取消“進場”這個概念。因為在數據團隊參與之前，沒人知道一個項目到底有沒有潛力做成數據驅動的報導。

我很喜歡的場景是：整個編輯部大亂聊，大家都把自己的角色丟掉——大家手上都有什麼，哪個角度有潛力，哪個受訪太難，哪個數據容易找，哪個有視覺潛力，不同想法混在一起，可能就會長出一個新的東西。

我喜歡這種狀態。不是先決定“這是一個數據稿”，而是先看手上有什麼，再讓形式慢慢長出來。

當然這是理想狀況啦，大多數情況下，我都是最後一個加入項目的。

現在我在 MBN，會成為主軸。因為我們這個團隊成立，就是因為一個數據驅動的項目 China Tracker，所以團隊的配置也是數據科學家+數據記者+我。從資料階段我就在，我們團隊會一起決定到底想從這批數據里問出什麼問題。。

這個作品和我們最近發布的 Great Powers Index，都是很“數據”的作品。但我希望數據新聞不要被限制在大家想象中的樣子，我更想用數據去碰一些乍看之下不那麼“數據”的題——有溫度的故事，具體的人，都可以用數據來呈現。我會很想做那樣的作品。這就很需要新的協作模式。

GIJN：你的很多作品都是以專題頁面的形式呈現的，但現在很多人的閱讀都是在手機上進行，在那麼小的屏幕上，可能很少人會有耐心去看完整個互動頁面。對於這點，你是怎麼看的？

金秋楓：這個觀察是對的。手機和社交媒體，確實改變了我們做數字敘事的方式。

以前大家很迷戀“大項目、大呈現”：從《紐約時報》的古早特製頁面，到《南華早報》的大幅資訊圖，都追求很強的視覺衝擊。

但現在，大家都在學習怎麼在小屏幕上講故事。《紐約時報》近年一些很短的 Instagram 數據動畫，就簡單、有力，而且很容易傳播。

讀者變懶了，他們更習慣一路往下滑動，而不是不停點擊、拖拽、探索。

所以做手機版時，我幾乎會砍掉所有需要精細操作的互動，只留下滾動。桌面版和手機差別會很大：桌面保留大視覺，手機則盡量精簡。

另外由於眾所周知的原因，我會盡量讓作品的每一屏都能被單獨截圖、單獨理解。即使脫離原本的頁面，它依然能成立，也更適合碎片化傳播。

但我不希望長頁面因此就此滅絕。短的、傳播效果好的內容要做，那些沉甸甸、有完整體驗的作品也要做。看完的人也許沒那麼多，但總有人願意花十分鐘，而他們得到的東西，是一張圖或一條短視頻給不了的。

GIJN：你有些作品用了撕紙拼貼、手繪塗鴉這類很慢、很“手搓”的方式，而現在 AI 現在幾秒鐘就能生成一張看起來差不多的圖。而現在幾個指令，也可以讓 AI 生成一張看上去還不錯的圖表或互動頁面。你會擔心 AI 對你的職業造成衝擊嗎？

金秋楓：關鍵就在於：看起來差不多，其實差很多。

人類的眼睛真的很尖，審美進化得很快，對 AI 的厭倦也來得很快。大規模生成圖片、視頻其實才沒多久，大家就已經開始討論所謂的“AI 味”了。它們做出來的東西可能很漂亮、很完整，但你就是會覺得哪裡不對。

我反而覺得，AI 這一波可以逼設計界重新想一件事：到底什麼是好的設計？

以前設計師花很多時間處理排版、留白、顏色、字號，讓一個東西符合設計規則、看起來舒服。現在這些事情，AI 已經可以做得很好。

那人的價值反而更清楚了。我們不用再做一台排版機器，而是去想：什麼東西真的會打動人？什麼東西是有效的？還有沒有一種沒人做過的解法？

AI 很擅長學習已經存在的規則，但人可以創造新的規則。

而且生產力被釋放之後，我們反而有更多空間去試。以前做十個方案可能要很久，現在可以很快看到幾十種可能，再去判斷哪一個真正值得做。

所以我覺得設計最後還是要回到“人”——少一點對規則的迷信，多去觀察人到底喜歡什麼、厭倦什麼、會被什麼觸動。

我們要做一些不那麼容易讓人厭倦的東西。

GIJN：AI 在你現在的工作中會扮演什麼角色？

金秋楓：我是 AI 重度使用者，每天大量燒 token。用AI做重複勞動真的太方便了。

我會用它寫功能性程式碼、清洗數據、找 bug、檢查文案，也會讓它快速生成幾十個設計方案，幫我拓展思路。現在回頭看，我已經很難想象以前到底花了多少時間，手動對齊、debug，再一個個改錯字。

當 AI 幫我干臟活累活的時候，我畫草稿，找靈感，或者去想更底層的問題。它最大的價值，是把我的時間和腦子空出來。

但絕不能讓 AI 替你做判斷。這個口子一旦打開，就回不去了。容易形成依賴，大腦也會慢慢偷懶。

GIJN：到目前為止你最滿意的一件作品是哪個，最想重做的又是哪個？

金秋楓：我最喜歡的其實還是《老去的中國》。它是一個很經典、也很樸素的數據作品，2024 年它入圍了 SOPA 決審名單（Final List），但可惜最後沒有得獎。

我知道評委通常更容易被酷炫的作品吸引，比如戰爭電影里的點陣圖。但《老去的中國》完全相反。它很安靜、很克制，但很有效。沒有一個字是多餘的，沒有一張圖是多餘的，也沒有一個互動是多餘的。

我已經不太想做“評委會喜歡的作品”了。我更想做讀者真的能看懂、會記住的作品。我相信，好的作品是可以跑贏時間的。它們可能安靜地躺在那裡很久，但還是會被搜尋、被引用，也還是會有人重新打開。即使過了很多年，它依然能被看見。

想重做的，可能是《北京切除》吧。這是我非常在乎的議題，但當年時間太趕，我們只是把被清退的地點密密麻麻鋪在一張真實地圖上。現在回頭看，這個項目其實很有潛力，也可以有更多有意思的呈現。

比如把地圖徹底抽象化，只留下被清退區域的形狀；或者把清退過程按時間一層層展開，讓讀者直接看到一座城市如何被一點點“切掉”，等等。

GIJN：對於有志成為數據可視化創作者的年輕人，你會有什麼建議？

金秋楓：第一，不要被工具困住。不要一直糾結要學哪個 library、學哪個可視化工具。去關注真實的故事，也去理解那些想聽故事的人。

第二，多讀一點和數據可視化無關的東西。我讀社會學，這對我理解數據背後的社會關係和社會結構有些幫助。多看電影、多看展覽、多玩遊戲，這些最後都會變成你判斷“這個題目應該長什麼樣”的素材庫。

第三，現在就去做一件完整的作品。從數據、構思、設計，一直到真正發布。做完一個完整作品，比做十個練習都有用。先去做。做了就有了。

---

Joey Qi 是全球深度報道網中文編輯。