AI把两种世界地图塞进一根滑块，难的是知道该信哪一张

一根滑块，能让格陵兰迅速“缩水”，也能让非洲重新显出它应有的体量。

工具作者因为联合国近期一项涉及 Equal Earth 世界地图的投票产生兴趣，随后借助 ChatGPT Work 中的 GPT-6 Astra 和 D3，做出了 Mercator ↔ Equal Earth。拖动滑块或点击播放，两种投影会连续变形。平时藏在课本和网页底图里的数学取舍，第一次变得像动画一样直白。

真正有意思的有两层：地图从来不是地球的无损复印件；AI 也开始把专业概念迅速做成普通人可以摆弄的作品。

一根滑块，把地图的代价摊在眼前

墨卡托投影诞生于 16 世纪。它保留局部角度，航向线可以画成直线，长期服务于航海，今天常见的网络地图也大量使用它的变体。

代价落在面积上。纬度越高，面积膨胀越明显。格陵兰在墨卡托地图上看起来几乎能与非洲相比，实际面积却远小于非洲。这里首先是数学结果，不宜直接简化成谁在蓄意操纵世界观；但当同一种地图长期进入教室、媒体和公共机构，数学变形确实会沉淀成视觉常识。

Equal Earth 于 2018 年公开，是一种等积投影。它让陆地面积比例更接近真实世界，同时尽量维持人们熟悉的大陆轮廓。它也有变形，只是把代价放在形状和方向上，而不是面积上。

所以，“哪张更正确”本身就是一个问错的问题。

教师讲全球面积分布，媒体展示人口、排放或疾病数据，Equal Earth 通常更合适。用户要在城市街道间缩放和导航，墨卡托体系仍有现实便利。地图该怎么选，取决于这张图准备回答什么。

联合国相关投票也应放在这个边界内理解。原始线索没有给出议案文本、投票结果和适用机构，最多只能确认 Equal Earth 进入了联合国层面的正式讨论。把它写成“联合国废除墨卡托”或“全球地图即将统一换版”，都超出了现有材料。

GPT-6 Astra 做快了原型，没有替人做判断

这个案例里，GPT-6 Astra 的作用很具体：协助生成 D3 代码，把两套地图投影、地理数据和过渡动画接起来。D3 负责真正的绘制与插值，浏览器负责交互。所谓 vibe coding，则是用自然语言描述目标，让模型先搭出能运行的版本，再由人继续试、改、验。

过去，要把一段制图学解释变成可操作页面，通常得熟悉 D3、GeoJSON、坐标投影和前端动画。现在，懂问题的人可以更快跨过代码门槛。

这是真进步，而且比“AI 又写了一个待办清单应用”更有说服力。它把抽象知识变成了可以亲手验证的变化过程：地图不是突然换了一张皮，而是在拖动中一点点拉伸、收缩。读者能看见取舍发生在哪里。

但这个作品不能证明模型掌握了制图学判断。模型可以写出投影切换，也可能选错参数、误读坐标系、让插值过程制造额外错觉。页面顺利运行，只能说明代码跑通；投影名称、数据来源、边界处理和叙述结论，仍要人工核对。

生成速度越快，校验越不能省。否则，错误也会获得流畅动画和漂亮界面。

地图分配尺度，平台分配叙事

地图投影争论在历史上并不新鲜。20 世纪后期，彼得斯投影曾因强调面积平等引起巨大争议。支持者认为传统世界地图夸大了欧洲和北美，批评者则指出，等积不代表没有失真，彼得斯投影对大陆形状的拉伸同样明显。

今天的情况不完全一样。Equal Earth 在等积基础上更重视视觉平衡，交互工具又把争论从一张静态地图变成了连续过程。但历史留下的提醒没变：一旦某种技术格式成为默认设置，它就会悄悄替使用者决定什么更显眼、什么更重要。

“天下熙熙，皆为利来。”地图未必直接带来商业利益，却会分配注意力和尺度感；AI 工具则进一步决定，谁有能力把一种解释快速做出来、传播出去。

我更在意的也正是这一点。生成式 AI 正在降低“把观点做成产品”的成本，却没有同步降低验证事实的成本。一个开发者可以在很短时间内做出地图、图表和模拟器，教师与媒体也能更容易制作互动内容。但页面越像成品，读者越容易忽略它可能只是未经审查的原型。

如果你在做 AI 应用或 vibe coding，这个案例最实际的启示不是照着提示词再做一遍，而是给原型补三道检查：核对投影定义，标明数据和代码来源，再让懂制图的人检查交互是否误导。

如果你是教师、编辑或数据可视化读者，选择底图时应先看数据表达什么。面积数据优先考虑等积投影；导航和局部方向任务再考虑墨卡托。不要因为某种投影更“公平”就拿它解决所有问题，也不要因为旧地图更熟悉就把它当成自然事实。

接下来该观察的，不是 Equal Earth 会不会赢下一场舆论争论，而是联合国相关决定究竟约束哪些地图、哪些文件和哪些机构；以及这个 AI 生成的工具是否公开数据来源、投影参数和人工校验过程。

滑块已经把地图拉回了真实比例。AI 工具何时能把事实核验也做得同样醒目，才是更难的一步。