大數(shù)據(jù)對科學(xué)活動的影響

劉偉榕　王秋君

[摘 要]科學(xué)界正在從數(shù)據(jù)缺乏時代過渡到數(shù)據(jù)泛濫時代，大數(shù)據(jù)處理系統(tǒng)有望成為新一代的科研基礎(chǔ)設(shè)施。在新的技術(shù)環(huán)境下，數(shù)據(jù)成了科研最主要的對象，統(tǒng)計算法成了最有力的科研工具，科研思路也將從假說驅(qū)動轉(zhuǎn)向數(shù)據(jù)探索。為了分享知識生產(chǎn)日益依賴的技術(shù)與設(shè)備，科學(xué)家將結(jié)成聯(lián)盟進行工程化協(xié)作，科學(xué)進步中的共享化與全球化也將更為顯著。有樂觀的學(xué)者認為大數(shù)據(jù)有望成為科學(xué)研究的“第四范式”，不過也可能伴隨著科研路徑依賴、資源壟斷、成果糾紛等負面影響。

[關(guān)鍵詞]大數(shù)據(jù)；科學(xué)發(fā)現(xiàn)；知識生產(chǎn)；第四范式

[中圖分類號]G311 [文獻標識碼] A [文章編號] 1009 — 2234（2014）05 — 0042 — 02

大數(shù)據(jù)通常用來指無法在可容忍的時間內(nèi)用傳統(tǒng)IT技術(shù)和軟硬件工具對其進行感知、獲取、管理、處理和服務(wù)的數(shù)據(jù)集合，具有容量大、產(chǎn)生速度快、類型繁多、信息價值大與冗余信息多等四個特征。〔1〕人類正在進入大數(shù)據(jù)時代，推動這個時代到來的科學(xué)研究活動將不可避免地受到大數(shù)據(jù)的反作用。本文綜合最新的大數(shù)據(jù)研究、前沿的科研案例及科學(xué)哲學(xué)理論，嘗試對科學(xué)活動正在發(fā)生與將要發(fā)生的變化進行探討。

一、科學(xué)研究工具、方法、對象的變革

一是大數(shù)據(jù)處理系統(tǒng)將成科研基礎(chǔ)設(shè)施。在科研信息化的推動下，人類對自然和社會的觀察、感知、計算、仿真、模擬、傳播等活動產(chǎn)生出大量科學(xué)數(shù)據(jù)。如何存儲海量的科學(xué)數(shù)據(jù)成為科學(xué)家遇到的首要困難，例如歐洲粒子中心的大型強子對撞機每天都產(chǎn)生好幾個千萬億字節(jié)（PB），但現(xiàn)在卻只能按照可管理的能力限制其數(shù)據(jù)速率。〔2〕科學(xué)家難以密切關(guān)注到任何一項單獨的數(shù)據(jù)，而需要機器進行輔助篩選?？鐚W(xué)科研究的興起更是加大了數(shù)據(jù)的規(guī)模和復(fù)雜性，包含采集、管理與分析工具的大數(shù)據(jù)處理系統(tǒng)對環(huán)境應(yīng)用科學(xué)、海洋科學(xué)、生態(tài)科學(xué)、物理學(xué)、天文學(xué)、生物學(xué)等領(lǐng)域來說已經(jīng)成為一種基本的科研設(shè)施。在大數(shù)據(jù)科研設(shè)施布局方面，美國已經(jīng)走在世界前列。例如能源部（DOE）將斥資2500萬美元建立可擴展數(shù)據(jù)管理與可視化研究所，幫助科學(xué)家對數(shù)據(jù)進行有效管理，促進其生物和環(huán)境研究計劃、美國核數(shù)據(jù)計劃等的研究成果?！?〕

二是科研方法從假說驅(qū)動轉(zhuǎn)向數(shù)據(jù)探索。正如第谷的助手開普勒從第谷對天體運動的系統(tǒng)觀察記錄中發(fā)現(xiàn)了行星運動定律那樣，在對所采集并仔細保存的實驗數(shù)據(jù)進行挖掘和分析的基礎(chǔ)上建立起新的理論，正是大數(shù)據(jù)時代科學(xué)活動的一個重要特征。大數(shù)據(jù)技術(shù)的巨大魅力在于通過統(tǒng)計算法揭示事物之間的相關(guān)性。美國 Wired 雜志主編 Chris Anderson就認為“理論已終結(jié)”、“數(shù)據(jù)洪流使傳統(tǒng)科學(xué)方法變得過時”。 〔4〕他相信只要將有相互關(guān)系的PB級數(shù)據(jù)丟進巨大的計算機機群中，統(tǒng)計分析算法可以發(fā)現(xiàn)過去的科學(xué)方法發(fā)現(xiàn)不了的新規(guī)律、新知識?；谶@樣的技術(shù)，人們有理由相信，未來的科研方法將從傳統(tǒng)的假說驅(qū)動型轉(zhuǎn)向數(shù)據(jù)探索型?？茖W(xué)家們不必關(guān)心通過什么實驗來驗證假說，而是追求從現(xiàn)有數(shù)據(jù)中發(fā)現(xiàn)研究對象之間的關(guān)聯(lián)，把多個學(xué)科和領(lǐng)域的數(shù)據(jù)進行融合，或許就能有新的發(fā)現(xiàn)。

三是科研對象的雙重虛擬與觀察滲透。與大數(shù)據(jù)科研方法相對應(yīng)，科學(xué)研究的對象被以數(shù)據(jù)的形式二重虛擬化?！昂Ａ繑?shù)據(jù)的出現(xiàn)催生了一種新的科研模式，科研人員只需從數(shù)據(jù)中直接查找或挖掘所需要的信息、知識和智慧，甚至無需直接接觸所研究的對象?！薄?〕美國的海洋觀測站計劃（OOI）旨在幫助科學(xué)家們通過高清影像設(shè)備、傳感器控制、遙控潛水器等與海洋實現(xiàn)互動。但要實現(xiàn)該計劃，還需要計算機科學(xué)家與海洋學(xué)家合作，共同提供采用連續(xù)數(shù)據(jù)的模型、自動化的數(shù)據(jù)質(zhì)量控制和校準、支持數(shù)據(jù)分析和可視化方面的新方法。〔2〕（P32-35）這預(yù)示著在大數(shù)據(jù)時代，科學(xué)的觀察滲透進一步加強：獲取數(shù)據(jù)的方法與設(shè)備、處理龐大數(shù)據(jù)的能力決定科學(xué)家能研究什么以及得到怎樣的研究結(jié)果；滲透到觀察結(jié)果中的不僅有本領(lǐng)域的科學(xué)理論，還有來自數(shù)據(jù)處理領(lǐng)域的理論與算法。

二、知識生產(chǎn)方式和科學(xué)進步模式的變化

首先，知識生產(chǎn)對技術(shù)與資本的依賴性增強。大數(shù)據(jù)時代，科學(xué)研究與信息技術(shù)手段之間的聯(lián)系越來越緊密。以大數(shù)據(jù)技術(shù)進行的研究需要極多的資源，收集、儲存、保留、管理、分析和共享海量數(shù)據(jù)各個環(huán)節(jié)都需要設(shè)備、技術(shù)與人才，獲得相當(dāng)?shù)目蒲匈Y金才可能進行。先進的數(shù)據(jù)處理技術(shù)既對科學(xué)研究提供了有力和有效的手段，又造成了科研路徑上的依賴甚至是障礙。研究者若沒有相應(yīng)的技術(shù)與設(shè)備，就無法獲得足夠的數(shù)據(jù)和深入的分析處理。因此，資源以及獲取資源的能力決定著科學(xué)家事業(yè)的前途，資本對知識生產(chǎn)的控制力將得到空前的強化。例如美國和加拿大海洋氣象臺的海王星項目撥出大約30%的預(yù)算用于信息化基礎(chǔ)設(shè)施（將近1億美元），而小實驗室的科學(xué)家只能用免費的EXCEL來處理數(shù)據(jù)。

其次，知識生產(chǎn)更傾向于工程化協(xié)作。由于使用大數(shù)據(jù)系統(tǒng)需要昂貴的技術(shù)成本，這使得科學(xué)家之間形成合作聯(lián)盟，共享儀器設(shè)備與技術(shù)服務(wù)。如LHC每年將產(chǎn)生50-100PB的數(shù)據(jù)，其中大約20PB數(shù)據(jù)通過國家級網(wǎng)格的全球聯(lián)盟進行存儲和加工，這一聯(lián)盟連接了100萬臺CPU。〔6〕 除了節(jié)約成本的考慮外，產(chǎn)生大數(shù)據(jù)的項目大多本身就是一個大科學(xué)工程，需要科研人員進行跨越多個領(lǐng)域的協(xié)同工作、各個領(lǐng)域的專家共同解決一些復(fù)雜問題。例如海洋觀測站計劃（OOI）的電纜部件研究由華盛頓大學(xué)負責(zé)，維多利亞大學(xué)領(lǐng)導(dǎo)了在加拿大的工作，美國海洋規(guī)劃協(xié)會管理和整合整個OOI系統(tǒng)，伍茲霍爾海洋研究所和加利福尼亞大學(xué)圣地亞哥分校分別負責(zé)管理項目的沿海-全球部分和網(wǎng)絡(luò)基礎(chǔ)設(shè)施部分?！?〕（P32）

再者，科學(xué)進步日益共享化與全球化。在工程化協(xié)作中所實現(xiàn)的科學(xué)進步，實質(zhì)上也是一種共享式進步。得益于大規(guī)模計算能力、存儲能力和科學(xué)儀器的共享支持，科學(xué)家們能夠方便地獲得和使用大量的來自其他科研團隊的科學(xué)數(shù)據(jù)。例如，2009年丹麥第一例H1N1感染者得到確認的幾天之后，H1N1病毒中的H1亞單位序列的全部1699個堿基就被提交到了EMBL-Bank（歐洲分子生物學(xué)實驗室核酸序列數(shù)據(jù)庫），此后美國、意大利、墨西哥、加拿大、以色列等多個國家都提交了更多的病毒亞單位序列數(shù)據(jù)?！?〕（P120）在這樣的共享中，研究周期和研究費用將大幅度縮減，從而提高了科學(xué)進步的速度與質(zhì)量。大數(shù)據(jù)還使得科學(xué)進步日益呈現(xiàn)出全球化的效應(yīng)。例如微軟全球望遠鏡（WWT）作為國際“虛擬天文臺”的一部分，現(xiàn)在可以無縫鏈接到天文學(xué)家們已經(jīng)習(xí)慣的定量研究工具上?！?〕（P41）在這樣的研究模式中，科學(xué)家足不出戶就能獲得其他國家的技術(shù)設(shè)備與科研成果，來自全球的數(shù)據(jù)和信息能夠被用來為某一研究課題服務(wù)，得出的成果原則上是一種全球性的成果。

三、反思：大數(shù)據(jù)的利與弊

從積極的一面來看，大數(shù)據(jù)或?qū)㈤_創(chuàng)科學(xué)研究的“第四范式”。大數(shù)據(jù)相關(guān)的科研方法將在越來越多的領(lǐng)域中發(fā)揮重大的甚至是決定性的作用。有了數(shù)據(jù)處理系統(tǒng)的輔助，科學(xué)家可以把精力集中在創(chuàng)造性的勞動上，大數(shù)據(jù)不會自動產(chǎn)生科學(xué)知識，但至少增加了科學(xué)家做出科學(xué)發(fā)現(xiàn)的時間和可能。一批樂觀的科學(xué)家更是看到了大數(shù)據(jù)對科學(xué)的變革力量。2007年，已故圖靈獎得主吉姆·格雷（Jim Gray）把數(shù)據(jù)密集型科學(xué)從計算科學(xué)中區(qū)分出來，提出了數(shù)據(jù)密集型科學(xué)研究的“第四范式”。科學(xué)研究最早的兩種范式是實驗型科研與理論型科研，第三種范式即計算型科研通過利用計算能力發(fā)揮理論的作用，第四種范式則是在未知規(guī)律的情況下，運用計算能力從大數(shù)據(jù)中發(fā)現(xiàn)規(guī)律。

依賴大數(shù)據(jù)也可能帶來眾多負面影響。一是科研資源壟斷可能加劇?？茖W(xué)家能否進入大數(shù)據(jù)的研究平臺，受制于海量的科研數(shù)據(jù)是否開放，也取決于是否有相應(yīng)的設(shè)備來獲取和處理這些數(shù)據(jù)。大數(shù)據(jù)與資本緊密結(jié)合的特性強化了科研資源掌握者對科研的走向與產(chǎn)出的控制。二是科學(xué)家可能形成技術(shù)路徑依賴。數(shù)據(jù)技術(shù)只能對豐富而且復(fù)雜的真實世界提供相對簡略的描述。更進一步而言，尋找不同尋常和意料之外的東西需要創(chuàng)造性和洞察力。計算機和數(shù)據(jù)庫不可能自動導(dǎo)致創(chuàng)造性的科學(xué)發(fā)現(xiàn)，科學(xué)家如果過分依賴數(shù)據(jù)資源和搜索工具，就會造成親身實踐獲取“第一手”資料的能力退化。三是科學(xué)合作的成果歸屬易引起紛爭。首先，對于數(shù)據(jù)提供方能否算作合作者并給予一定的署名權(quán)存在爭議；其次，對于工程化和全球化協(xié)作產(chǎn)生的成果是屬于集體智慧的，對于成果的所有權(quán)該如何分配？2013年的諾貝爾物理學(xué)獎僅頒給兩位理論創(chuàng)始人弗朗索瓦·恩格勒特和彼得·希格斯，而發(fā)現(xiàn)希格斯玻色子的幾千名粒子物理學(xué)家卻無緣此榮譽，這引起了包括諾獎評委安德斯？巴拉尼在內(nèi)的抗議。最令人擔(dān)心的是，隨著科學(xué)和技術(shù)和商業(yè)性的開發(fā)越來越聯(lián)系緊密，一些具有商業(yè)價值的科學(xué)信息和數(shù)據(jù)為擁有者所不愿意公開，甚至通過申請專利來實施保護，這將帶來更大范圍的不公平與糾紛。

大數(shù)據(jù)是對人類信息處理能力的挑戰(zhàn)，對科學(xué)家們來說則是面臨著科研數(shù)據(jù)爆炸式增長的威脅，如果沒有應(yīng)對好，科學(xué)可能就無從進步?？茖W(xué)家們面對數(shù)據(jù)的泛濫，還應(yīng)該從根源上去反思，比如實驗思路是否出了問題。同時，大數(shù)據(jù)是應(yīng)對數(shù)據(jù)挑戰(zhàn)而提出的技術(shù)系統(tǒng)，這也使得科學(xué)研究與技術(shù)手段之間的界限越來越模糊，科學(xué)能力甚至在某種意義上轉(zhuǎn)化為了技術(shù)能力，這對科學(xué)與技術(shù)之間的關(guān)系提出了新的問題，值得學(xué)者們深入研究。

〔參 考 文 獻〕

〔1〕Manyika，J，Chui M，Brown J，et al. Big Data： The Next Frontier for Innovation， Competition and Productivity〔R〕.McKinsey Global Institute，2011：1.

〔2〕Tony Hey，等.第四范式：數(shù)據(jù)密集型科學(xué)發(fā)現(xiàn)〔M〕.潘教峰，等，譯.北京：科學(xué)出版社，2012.

〔3〕馮海超.透視美國大數(shù)據(jù)爆發(fā)全景〔J〕.互聯(lián)網(wǎng)周刊，2013，（01）：39.

〔4〕Chris Anderson. The End of Theory： The Data Deluge Makes the Scientific Method Obsolete〔J〕. Wired， 2008，（07）：16.

〔5〕牛祿青.構(gòu)建大數(shù)據(jù)產(chǎn)業(yè)環(huán)境——專訪中國工程院院士、中科院計算所首席科學(xué)家李國杰〔J〕.新經(jīng)濟導(dǎo)刊，2012，（12）：39.

〔6〕A.M.Parker.Towards 2020 Science〔M〕.MicrosoftCorporation，2006.

〔責(zé)任編輯：陳玉榮〕