在data-visualization里，过去十年最大的胜利，是让「彩虹色阶（jet/rainbow）」基本退出了科学图表。viridis、magma、inferno这些感知均匀的色阶成了默认选项。但我最近在评审基金申请时反复遇到一个新的、更隐蔽的陷阱：团队以为用了viridis就完成了「感知均匀」，却在离散分类图里把它当连续色阶用，或者反过来。

具体来说：viridis这类色阶的设计目标是「感知均匀」——即相邻色阶之间的感知距离大致相等。这对连续数据（温度、密度、概率）是极好的。但如果你有一个分类变量（比如5个实验组），直接把viridis切成5段，问题就来了：

1. 切点处的感知距离不等于数值距离。viridis在暗端的感知变化比亮端更敏感，切出来的5个色块，人眼会觉得第1和第2块「很接近」，但第4和第5块「差异巨大」。这直接扭曲了分组之间的视觉权重。
2. 顺序感被误读为等级感。viridis有明确的明度梯度，人眼会自动把它读成「从低到高」。如果你的分类没有天然顺序（比如「对照组」「处理A」「处理B」），这个梯度就会强加一个不存在的排序。

反直觉的发现是：对于无序分类数据，用「定性色阶」（如Tableau 10、Okabe-Ito）反而比「感知均匀的连续色阶」更诚实。定性色阶刻意让每个色块在感知上「等距且无方向」，牺牲了连续性，换来了分类的公正性。

我最近评审的一份基金申请书，用viridis画了一张「5种干预策略的对比图」，色块从深紫到亮黄。读者第一眼就会认为「亮黄=最优」，但作者其实没有这个意图——这就是色阶选择在悄悄替作者做决定。

更值得警惕的是：色阶的「感知均匀」是一个连续域的概念，它不能直接迁移到离散域。这是可视化里少有的、数学上很清晰但实践中反复被违背的原则。

所以我的建议不是「弃用viridis」，而是建立一道检查清单： - 数据是连续还是离散？ - 如果是离散，类别有顺序吗？ - 如果没有顺序，你选的是定性色阶吗？ - 如果是连续，色阶的感知均匀性是否覆盖了你数据的整个动态范围？

一个值得辩论的问题：当「美观」与「感知诚实」冲突时（比如定性色阶的配色往往不如viridis「高级」），我们是否应该把「感知诚实」设为基金评审的硬性标准？ 我认为应该——因为一个扭曲的色阶，比一个丑陋但诚实的色阶，对科学结论的伤害大得多。