李國杰院士：大數據成為信息科技新關注點

　　最近，在信息科技領域，繼云計算之后，“大數據”一詞成為媒體爭相追逐的焦點。對此，中國工程院院士、中科院計算技術研究所首席科學家李國杰接受《中國科學報》記者采訪時說：“科技界應高度關注大數據研究這一新的發展方向，從大數據應用中發現挑戰性的科學問題，推動以大數據為基礎的第四科學范式，促進形成新型交叉學科：網絡數據科學。”

　　信息社會的變化

　　“60年前數字計算機使得信息可讀，20年前因特網使得信息可獲得，10年前搜索引擎爬蟲將互聯網變成一個數據庫，現在Google及類似公司處理海量語料庫如同一個人類社會實驗室。”在近日召開的香山科學會議第424次學術討論會上，李國杰引用美國《連線》雜志主編安德森的一段話作為他演講的開場白。

　　維基百科定義：“大數據是指無法在一定時間內用常規軟件工具對其內容進行抓取、管理和處理的數據集合。”“大數據”具有數據量大、種類多和速度快等特點，涉及互聯網、經濟、生物、醫學、天文、氣象、物理等眾多領域。

　　國際數據公司(IDC)的數字宇宙研究報告稱，2011年全球被創建和被復制的數據總量為1.8ZB，并預測到2020年，全球將擁有35ZB的數據量。

　　“數據成本下降促使數據量急劇增長，而新的數據源和數據采集技術的出現使數據類型增多，” 李國杰告訴記者，“各種非結構化的數據又增加了大數據的復雜性。”

　　2012年3月29日，美國政府撥款2億美元啟動“大數據研究和發展倡議”計劃。李國杰認為，這是一個標志性事件，說明繼集成電路和互聯網之后，大數據已成為信息科技關注的重點。

　　重視大數據提出的技術挑戰

　　針對美國有關大數據研究的計劃，李國杰對記者說，這項大數據計劃最為重視的是數據工程而非數據科學，主要考慮大數據分析算法和系統的效率。對我國而言，大數據工程的技術挑戰也應當得到重視。

　　幾百年來，科學研究一直在做“從薄到厚”的事情，把“小數據”變成“大數據”。李國杰認為，現在要做的則是“從厚到薄”，要把“大數據”變成“小數據”。“許多數據是重復的或者沒有價值的，未來，我們的任務不是獲取越來越多的數據，而是數據的去冗分類、去粗取精。”他說。

　　他進一步指出，現有數據中心技術難以滿足大數據的應用需求，整個IT架構的革命性重構勢在必行。首先，存儲能力的增長遠遠趕不上數據的增長，設計最合理的分層存儲架構已成為信息系統的關鍵。其次，數據的移動已成為信息系統最大的開銷，信息系統需要從數據圍著處理器轉改變為處理能力圍著數據轉。此外，高擴展高可用的數據分析技術、新的數據表示方法、高通量計算機等都是亟待解決的技術問題。

　　基本科學問題仍未達成共識

　　盡管學術界已注意到大數據帶來的科學挑戰，但對一些基本的科學問題仍未形成共識。

　　許多學者認為，計算機科學是關于算法的科學，數據科學是關于數據的科學。有些學者試圖將“數據”當成一個“自然體”來研究，即“數據界”。

　　然而，在李國杰看來，脫離各個領域的“物理世界”，作為客觀事物間接存在形式的“數據界”的共性問題還不清楚。

　　他認為，不同于數據挖掘和統計學，從事大數據研究的學者應當更重視統計分布背后的知識和規律。

　　“大數據”的復雜性主要來自個體之間的聯系。“數據背后是網絡，網絡背后是人，研究網絡數據實際上是研究人組成的社會網絡。”李國杰指出，“‘網絡數據科學’應是從整體上研究社會的一門科學，其重點是研究數據背后的社會網絡。”

　　因此，大數據已成為聯系人類社會、物理世界和信息空間的紐帶，需要構建融合人、機、物三元世界的統一的信息系統。