科學大數據
——國家大數據戰略的基石

文 郭華東

蓬勃發展的大數據

2013年7月17日，習近平總書記指出：“浩瀚的數據海洋就如同工業社會的石油資源，蘊含著巨大生產力和商機。誰掌握了大數據技術，誰就掌握了發展的資源和主動權。”大數據已成為信息主權的一種表現形式，將是繼邊防、海防、空防之后大國博弈的另一個空間。大數據正在改變人類生活和對世界的深層理解。

第二次工業革命的爆發，導致以文字為載體的數據量約每10年翻一番；從工業化時代進入信息化時代，數據量每3年翻一番。當前，新一輪信息技術革命與人類社會活動交匯融合，半結構化、非結構化數據的大量涌現，數據的產生已不受時間和空間的限制，引發了數據爆炸式增長，數據類型繁多且復雜，已經超越了傳統數據管理系統和處理模式的能力范圍，人類正在開啟大數據時代新航程。據國際數據公司（IDC）發布的2017年大數據白皮書預測，2025年全球大數據規模將增長至163ZB，相當于2016年的10倍，大數據繼續表現出更為強健的增長態勢。中國擁有的數據在國際上舉足輕重，截至2012年，已占全球的13%，預計到2020年將產生全球20%的數據。

從大數據搜索熱度數據可清晰看出近年來全球對大數據的關注程度。國際上對大數據的關注度在2012年之前處于較低水平，2012—2015年對大數據的關注度飛速增長，2016年至今保持接近100的關注度。

國際上，從聯合國到各國政府競相重視大數據發展；在我國，大數據被列為國家戰略后發展迅猛。全球大數據的發展方興未艾，大數據已經開始顯著地影響全球的生產、流通、分配和消費方式，它正在改變人類的生產方式、生活方式、經濟運行機制和國家治理模式，它是知識驅動下經濟時代的戰略制高點，是國家和人類的新型戰略資源。

科學大數據的認識

作為大數據的一個分支，科學大數據正在成為科學發現的新型驅動力，引起有關國家和科技界的高度重視。歐盟提出“科學是一項全球性事業，而科研數據是全球的資產”的理念。美國的“從大數據到知識”計劃、歐盟的“數據價值鏈戰略計劃”、英國的“科研數據之春”計劃、澳大利亞的“大數據知識發現”項目、歐洲“地平線2020”計劃的“數據驅動型創新”課題，均聚焦于從海量和復雜的數據中獲取知識的能力，深入研究基于大數據價值鏈的創新機制，倡導大數據驅動的科學發現模式。大數據的影響已觸及自然科學、社會科學、人文科學和工程科學的各個研究領域，不同領域的大數據研究中心陸續成立。我國部署了一系列大數據科技項目，組建了不同研究方向的大數據實驗室，中國科學院推出了“科學大數據工程”計劃。

科學大數據具有數據密集型范式的特點，它具有數據的不可重復性、數據的高度不確定性、數據的高維特性、數據分析的高度計算復雜性等特征。利用大量數據的相關性可取代因果關系和理論與模型，基于數據間的相關性能夠獲得新知識、新發現。比如，早在1609年，第谷·布拉赫的助手約翰尼斯·開普勒從布拉赫對天體運動的系數觀察記錄中發現了行星運動定律，并發表了偉大的著作《新天文學》；又如，歐洲大型強子對撞機幫助物理學家檢驗關于不同粒子物理和高能物理理論的猜想，并且確定了希格斯玻色子的存在；再如，大數據使基因組學的科學發現成為可能；還如，時空大數據在全球環境研究變化中正發揮重大作用。

越來越多的科學發現證明，大科學裝置是人類認識自然世界的重要手段。對地觀測衛星、大型望遠鏡、大型強子對撞機、高通量科學儀器、傳感器網絡等一系列大裝置的成功運行，使得科學大數據與大裝置和大科學間的關系越發密切。近年來，我國的大裝置諸如500m口徑球面射電望遠鏡、系列空間科學衛星等的問世，為通過科學大數據認知大自然提供了強大的基礎。為滿足龐大且日益快速增長的科學大數據的應用需求，迫切需要建立一些能夠共享數據、算法、模型的開放系統，以此實現對已有數據的科學分析和集成應用。一個典型的例子是，2017年10月，歐洲航天局“哨兵-5P”衛星發射后，每天獲取近2000萬條空氣污染物及氣體的觀測數據，其數據獲取量是前期任務的10倍以上。按照目前的處理速度，一臺計算機需要1200年才能處理完300萬景全球衛星影像。而基于云計算設施，可在45天內完成相同處理任務，足見重大基礎設施的重要性。

真正實現科學大數據的大價值尚面臨著一系列技術挑戰。在數據規模、數據增速、數據類型、數據質量、數據價值等方面給科學大數據處理技術與方法提出了新的科學技術問題和方向。

以上主要體現在5個方面：

數據存儲管理方面?？茖W大數據本身固有的特征亟待面向海量、非結構化或半結構化數據高效存儲管理的數據庫。

數據分析方法方面。數據產生和數據分析過程的分離使得數據噪聲增多，問題驅動的研究方式逐漸被數據驅動的研究方式所代替。

模型和算法方面。隨著半結構化、非結構化數據比重的逐漸增多，針對該類數據的特征學習方法逐漸超越并取代傳統的數據模型和算法。

計算體系結構方面。新型存儲器件和計算器件不斷涌現，使得通用處理器和單一體系結構的單機逐漸過渡為專用處理器、多核和分布式大規模異構集群。

計算和服務方面。以互聯網為媒介的云計算模式和分布式高性能數據中心逐漸成為大數據處理的新型模式。

中國科學院正在開展科學大數據研究的一些實踐。如正在進行的中國科學院戰略性先導科技專項（A類）“地球大數據科學工程”，地球大數據是一種典型的科學大數據，是具有空間屬性的地球科學大數據。該專項力求突破超大規模跨域分布式資源技術瓶頸問題，有效推動地球大數據技術創新、聚合多時空數據管理與關聯融合以及問題導向數據挖掘與分析，以達到只要有終端和互聯網，任何人在任何地點都可以享受到地球大數據提供的多樣服務，實現重大科學發現和一站式全方位宏觀決策支持服務的目的。

又如基于科學大數據的國際科學計劃。我們于2016年發起的“數字絲路”（DBAR）國際計劃，就是要實現大數據匯集、大數據服務、大數據分析和大數據呈現支撐，形成“一帶一路”科學大數據平臺。這個為期10年的科學計劃，將為“一帶一路”可持續發展、糧食安全、生態環境保護、氣候變化監測、災害風險應對，以及文化—自然遺產保護與發展等提供科學決策。

科學大數據與大裝置和大科學間的關系越發密切

再如基于科學大數據的研究項目。聯合國設立了一項名為“全球脈動”的計劃，其使命之一是用大數據應對氣候挑戰。2014年，在聯合國氣候變化峰會召開之際，來自46個國家的大數據應對氣候變化項目參加了獎項競爭“挑戰”，最終9個項目獲得不同的獎勵。我們的“對地觀測大數據應對全球變化”研究項目入選其中，顯示了空間對地觀測大數據在氣候變化研究中的作用和價值。

科學大數據正深刻改變傳統的科研模式，正驅動現代科學研究的迅猛發展?？茖W大數據正在為科技創新帶來大機遇。作為少量依賴因果關系，而主要依靠相關性發現新知識的新模式，科學大數據已成為繼經驗、理論和計算模式之后的數據密集型科學范式的典型代表。

科學大數據的思考

隨著數據積累和計算能力的提升，直接從大數據中獲取知識已經成為可能。2013年9月，筆者及團隊提出“科學大數據”概念，并于2014年1月以“科學大數據與數字地球”為題發表于《科學通報》。我們認為，科學大數據與互聯網大數據、商業大數據等存在本質屬性和特點上的區別，具有自己獨特的科學內涵和特點。

大數據已經開始顯著地影響全球的生產、流通、分配和消費方式。

整體看來，科學大數據具有如下外部特征：從數據內容來講，科學大數據一般表征自然客觀對象和變化過程；從數據體量來講，科學大數據在不同學科中存在較大的差異；從數據增長速率來講，科學大數據依學科不同其數據增長速率也變化較大；從數據獲取手段來講，科學大數據一般來自觀測和實驗的記錄以及后續加工；從數據分析手段來講，科學大數據的知識發現一般需要借助科學原理模型。

通過歸納科學大數據的外部特征，其內部特征也變得相對清晰，主要概括為：

數據內容的不可重復性。正如哲學家赫拉克利特的名言，“人不能兩次踏進同一條河流”，對于一般自然與物理的客觀過程的觀測具有一定的不可重復性。

數據的高度不確定性。由于采用的直接或非直接觀測方式、采樣手段和記錄技術，往往引入系統觀測誤差及數據記錄誤差。

數據的高維特性。由于觀測對象和采樣方法本身的時間、空間屬性以及觀測傳感器的多通道特征，科學大數據往往具有時空連續性和譜段多維性，導致維數災難。

數據分析的高度計算復雜性。數據的高度不確定性、高維特性，以及與科學數據分析相伴隨的原理模型的復雜性，導致了科學數據處理分析的計算復雜性?？傊?，科學大數據具有不同于一般大數據的特征，其內在機理及如何應用于知識發現需深入研究。

2014年6月，在我們的倡議和主持下，“國際科學計劃大數據研討會：挑戰與機遇”在北京召開。該會議由國際科學和技術數據委員會（CODATA）主辦，7個國際組織共同主辦。會議發表的聲明強調科學研究要加強對大數據的理解，通過發展與大數據有關的研究、政策和框架來強化國際大數據科學合作，促進社會發展。盡管這在當時只是一個起點，但這份聲明是人們關注大數據潛力邁出的實質性一步。聲明要點包括：響應大數據對國際科學計劃的重要性；開發大數據為社會服務的潛力；通過國際合作來增進對大數據的理解；通過全球研究基礎設施促進大數據的普及；探索和應對大數據管理工作帶來的挑戰；鼓勵大數據科學能力建設；促進政策制定，最大限度地利用大數據。

自那時起，我們主辦或共同主辦了一系列關于科學大數據的會議，其中包括“科學大數據前沿香山科學會議”“中國科學院學部空間地球大數據科學與技術前沿論壇”“自然科學與人文科學大數據前沿探索圓桌會議”“地球大數據香山科學會議”等。有關部門和單位相繼組織召開了不同的與科學大數據有關的會議，進行深入研討。

特別重要的是，在中國科學院的組織下，我們提出發展“科學大數據”的建議，上報后受到政府的重視。2015年《國務院關于印發促進大數據發展行動綱要的通知》中把科學大數據作為綱要的一部分，提出“發展科學大數據：積極推動由國家公共財政支持的公益性科研活動獲取和產生的科學數據逐步開放共享，構建科學大數據國家重大基礎設施，實現對國家重要科技數據的權威匯集、長期保存、集成管理和全面共享。面向經濟社會發展需求，發展科學大數據應用服務中心，支持解決經濟社會發展和國家安全重大問題”。

科學大數據是國家大數據戰略的有機組成，這使得深入開展科學大數據的研究具備了良好的政策支撐和理論基礎?？茖W大數據是國家大數據戰略的基石，科技界和科學家肩負重大的使命——推進科學大數據的全面系統發展。

發展科學大數據的建議

全球范圍內大數據蓬勃發展，我國正在實施國家大數據戰略，科學大數據已成為大數據國家戰略的重要組成部分。在習近平總書記對實施國家大數據戰略提出更高要求的大背景下，國務院辦公廳2018年3月又發布了《科學數據管理辦法》。我們迎來了發展科學大數據的重要的歷史機遇。為更好地推動科學大數據發展，有以下4點建議。

一、科學認知大數據世界的科學大數據。大數據世界的科學大數據具有獨到的特點，科學大數據提供了創新的科研方法論，科學大數據是驅動科學發現的新引擎，科學大數據是占領未來科學制高點的前沿領域，科學大數據為人類認識世界提供了全新的思維，科學大數據是孕育新型科學家的搖籃。目前，我國的計算機用戶數全球第一，互聯網用戶數全球第一，移動互聯網用戶數全球第一，我國擁有的數據量未來幾年有可能達到20%，我國發表的大數據論文數目前國際排名第二。我國政府對大數據高度重視，我國的大數據在國際上有較高的話語權，為在此基礎上開展的科學大數據研究走向國際前沿奠定了堅實基礎。

二、建設科學大數據國家重大基礎設施。大裝置產出大數據，大數據孕育大科學，大科學驅動大發現，國家統一布局建設科學大數據國家重大基礎設施十分重要。其意義包括保證科學大數據的獲取與更新、權威匯集與高效處理，實現對重要科技數據的長期保存和集成管理。同時，科研活動過程中產生的海量科學數據需要通過網絡給科學家們進行分析和處理，但海量數據的共享和傳輸過程，在當前的網絡信息安全環境和條件下，導致科研數據傳輸的效率低下，影響科學發現的質量。進行科學大數據的收集、存儲、維護、管理、分析和共享等核心技術需要重大基礎設施的支撐。

三、建立國家科學大數據研究中心。我國目前有數十個大科學裝置、數百個國家重點實驗室、大量的部門重點實驗室，正在建設國家實驗室。這些應是科學大數據首先“發力”的地方。建立科學大數據中心，服務于不同領域科研機構?？稍O立不同科學領域中心，如生命大數據中心、地球大數據中心、天文大數據中心等，開拓諸如生物信息學、地球信息學、天文信息學等相應的學科領域；也可設立不同區域科學大數據中心。考慮到中國科學院的國家定位，建議依托中國科學院建立國家科學大數據研究中心。同時，科學大數據能否順利發展的關鍵之一是數據共享，應實施可持續發展的科學數據共享，包括重視科學數據出版這種新的數據集成與開放共享機制。

四、發起科學大數據國際論壇與國際聯盟。提高科學大數據在實踐應用中的方法論、理論基礎和技術研究，開展雙邊或多邊的國際交流與合作是提高科學大數據研究水平的重要途徑之一。國際科學論壇是保障以上實施的重要平臺，有利于開展前沿理論的探討，有利于加強與國際科技組織及國際科學計劃的協作，以匯集更多領域、更多學科的專家力量，保持優良的國際科技合作環境。同時，應考慮建立國際科學大數據聯盟。例如，面向“一帶一路”倡議，構建大數據聯盟。以科學大數據為抓手，讓大數據成為“一帶一路”建設的一個引擎，讓大數據成為各國共建的和平使者，讓大數據之光普照現在和未來。