構建大數據產業(yè)環(huán)境

牛祿青

關于大數據的發(fā)展背景、重大意義、最新動向、未來趨勢以及中國的機遇與挑戰(zhàn)等相關問題，中國工程院院士、中科院計算所首席科學家李國杰接受了《新經濟導刊》專訪。

李國杰表示，大數據對經濟社會發(fā)展和科學研究具有革命性的意義，其興起有著內在的需求和利益驅動，因為數據里蘊藏著巨大的價值。未來將形成數據服務、數據探礦、數據化學、數據材料、數據制藥等一系列戰(zhàn)略性新興產業(yè)。

他認為，數據安全主要不是技術問題，因為數據放在哪里都有泄露的風險，它與商業(yè)模式有很大關系。中國當務之急是建立上下游相互協作、相互支撐的大數據產業(yè)環(huán)境，特別是構建有技術自主權的大數據產業(yè)鏈。

商業(yè)價值驅動

《新經濟導刊》：繼物聯網、云計算、3D打印等新技術之后，大數據已成為投資者、IT人士以及政府部門、科研人員關注的熱點，請問大數據是在什么背景下發(fā)展起來的？

李國杰：今年三月份，奧巴馬宣布美國政府投資2億美元啟動“大數據研究和發(fā)展計劃”，這個計劃可以同美國上世紀90年代初的“信息高速公路”相比擬。美國政府認為，大數據是“未來的新石油”，并將大數據的研究上升為國家意志。

表面上看“大數據熱”受到美國計劃的影響，但不完全是這樣。過去美國副總統(tǒng)戈爾呼吁的數字地球，中國也在跟進，但經濟上并未成氣候；有些是美國不太熱，中國反而進行得有聲有色，比如物聯網，這可能與中國政府對物聯網的大力扶持有關。所以層出不窮的新技術，有時候是真熱，有時候是虛熱。

我認為，大數據不是因為奧巴馬的宣布而熱起來的，它的興起有著內在的原因。現在的大數據與互聯網、物聯網的蓬勃發(fā)展有很大關系，特別是美國幾家大型企業(yè)的大力推動，像IBM、Amazon、Google、Facebook等。

科研人員研究大數據，習慣于從數據到信息到知識再到智慧，若按照這個鏈條，時間太漫長，產生的經濟效益也有限，大數據不會形成這么大勢頭。現在企業(yè)走了一條捷徑，直接從數據里開發(fā)出商業(yè)價值，而不管數據中的科學規(guī)律和知識，這可以大大激發(fā)企業(yè)的興趣。比如電子商務eBay，它用大數據分析網絡廣告，發(fā)現廣告里的每一個單詞都與經濟效益有關聯，通過優(yōu)化，使廣告收益提高80%以上。所以，大數據興起的根本原因是里面蘊藏著巨大的價值，有實實在在的經濟利益驅動。

《新經濟導刊》：人們對大數據的理解，見仁見智，如何界定大數據？大數據有哪些基本特征？

李國杰：一般意義上，大數據是指無法在可容忍的時間內用傳統(tǒng)IT技術和軟硬件工具對其進行感知、獲取、管理和服務的數據集合。大數據的特點主要表現為四個“V”：一是體量浩大（Volume），數據集合的規(guī)模已從GB到TB再到PB級，甚至已經開始以EB和ZB來計算。著名咨詢公司IDC的研究報告稱，未來10年全球大數據將增加50倍，管理數據倉庫的服務器的數量將增加10倍。二是類型復雜（Variety），大數據類型包括結構化數據、半結構化數據和非結構化數據。現代互聯網應用呈現出非結構化數據大幅增長的特點，到2012年末非結構化數據將達到整個數據量的75%以上。三是生成迅速（Velocity），大數據通常以數據流的形式動態(tài)、快速地產生，具有很強的時效性。數據自身的狀態(tài)與價值也隨時空變化而發(fā)生演變，數據的涌現特征明顯。四是價值巨大但利用密度低（Value），基于傳統(tǒng)思維與技術讓人們在實際環(huán)境中面臨信息泛濫而知識匱乏的窘態(tài)。

開啟數據革命

《新經濟導刊》：大數據對經濟社會發(fā)展和科學研究有哪些重要作用？

李國杰：根據數據的來源，大數據可以分為兩類：一類來自與人類社會有關的數據，特別是互聯網和經濟活動產生的數據，企業(yè)最感興趣。這一塊增長也最快，互聯網實際上反映的是人的活動。另一類來自物理世界，通過傳感器、科學觀測獲取。比如生物數據、腦科學數據、氣象數據、野外環(huán)境保護數據、衛(wèi)星遙感數據等，這類數據首先推動科學的進步，繼而推動經濟的發(fā)展。

大數據具有革命性的意義，作為一種重要的戰(zhàn)略資源，不僅事關國家的數字主權和戰(zhàn)略安全，而且可以促進我國的經濟結構調整和產業(yè)升級。大數據時代，企業(yè)關注的重點轉向數據，計算機行業(yè)正在轉變?yōu)檎嬲男畔⑿袠I(yè)，從追求計算速度轉變?yōu)榇髷祿幚砟芰Γ浖矊木幊虨橹鬓D變?yōu)橐詳祿橹行摹４髷祿幚淼呐d起也改變了云計算的發(fā)展方向，使其進入以分析即服務（AaaS）為主要標志的Cloud2.0時代。采用大數據處理方法，生物制藥、新材料研制生產的流程會發(fā)生革命性的變化，大大提高科研和生產效率，使整個行業(yè)邁入數字化與信息化的新階段。未來將形成數據服務、數據探礦、數據化學、數據材料、數據制藥等一系列戰(zhàn)略性新興產業(yè)。數據服務是許多企業(yè)瞄準的重要領域，華為本來是一家通信企業(yè)，現在也開拓數字醫(yī)療市場，打通社區(qū)醫(yī)院和三甲醫(yī)院，這是一個潛在的巨大市場。

此外，大數據正在引發(fā)科學研究思維與方法的一場革命。最早的科學研究只有實驗科學，隨后出現了以研究各種定律和定理為特征的理論科學。由于理論分析方法在許多問題上太過復雜，難以解決實際問題，人們開始尋求模擬的方法，導致計算科學的興起。海量數據的出現催生了一種新的科研模式，科研人員只需從數據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。2007年，已故圖靈獎得主吉姆·格雷在他最后一次演講中描繪了數據密集型科學研究的“第四范式”，把數據密集型科學從計算科學中單獨區(qū)分開來。第四范式不僅是科研方式的轉變，也是人們思維方式的大變化。現實中，許多復雜的經濟社會問題無法用傳統(tǒng)的方法進行研究。比如股市，沒有大量的數據無法找到其中的規(guī)律，僅靠模型是不行的。

《新經濟導刊》：大數據對地理信息和位置服務有何影響？

李國杰：地理信息和位置信息是人在物理世界的活動，是社會活動和物理世界兩類數據的融合。這種數據的規(guī)模是相當大的，是未來一個新的經濟增長點，而且能帶動物理空間和社會網絡領域的數據產業(yè)的飛速發(fā)展。

地理信息是國家信息基礎設施的一部分，電子政務、電子商務、智能交通、智能物流等行業(yè)應用，都離不開地理信息。政府對地理信息這種公共資源應該分層管理，除了涉及國防和國家安全的信息需要保密外，其他基礎信息都要免費或以較低成本提供給企業(yè)和民眾，防止信息采集單位據為己有。基于基礎信息上的各種應用服務，應該大量放開，讓企業(yè)去做。我國的地理信息產業(yè)之所以發(fā)展不快，就是沒有解決好信息的分層管理，收集地理信息的單位，理所當然地認為這些信息就是本部門的，而且互相之間也不交流和共享，導致重復建設和資源浪費。

顛覆IOE模式

《新經濟導刊》：大數據時代，傳統(tǒng)的數據庫軟件將難以滿足處理海量數據的需要。您認為大數據對信息技術提出哪些新的要求？

李國杰：過去，中國對信息系統(tǒng)有所謂“金三角”的說法，即“IOE”，I指IBM的服務器，O指Oracle的數據庫，E指EMC的存儲。這三家公司基本壟斷了國內銀行、證券等對計算機處理數據要求很高的行業(yè)。現在業(yè)內認為，如果某家技術公司還沿用“IOE”，那這家公司就不是大數據公司。因為你的技術建立在IOE基礎上，決定了你無法處理大量數據，因為你的基礎設施就不適合做大數據處理。

數據在基礎設施層面有三類技術：存儲、管理和計算。IOE模式從上世紀70年代就逐步成型了，即關系數據，當時對數據的認識是線性維度。到了大數據時代，數據的巨大規(guī)模和快速變化超過了硬件能力的增長，而且數據之間的復雜關聯使得線性思維無能為力。另外還有社會因素，數據與人在不斷地互動，甚至人就是動態(tài)的數據集。在這種情況下，采用原有的IOE模式來處理大數據就難以應對了，數據中的價值也無法有效挖掘出來。現在大數據有許多應用，例如通過查詢Google，可以知道流行病在某區(qū)域的分布；通過輿情的分析，可以預測選舉的結果。

大數據存儲不同于傳統(tǒng)的EMC，它是一種高效率、低成本、多層次柔性的存儲架構，不是集中到一起存儲，而是把數據放在云和端。實際上，數據存儲的分布很關鍵，哪些在主服務器，哪些在客戶端，這要比提高單個存儲的性能更重要。雖然許多企業(yè)都在做，但還處于探索中。目前，Hadoop開源分布式系統(tǒng)，已成為大數據處理的主流技術，包括資源調度、存儲管理等各種數據工具。這是一種發(fā)展趨勢，但也存在不少問題。

在大數據管理方面，過去的關系數據管理在冗余、一致性、復雜查詢優(yōu)化上解決得非常好。在Hadoop體系下，數據規(guī)模、增量速度和靈活性上遠遠超過Oracle，但在數據價值挖掘和分析方面還不能提供較好的技術支持。所以大數據管理是打碎了舊的模式，新的模式還沒有規(guī)范化和體系化。

《新經濟導刊》：中國與國外大數據產業(yè)相比，有哪些優(yōu)勢和劣勢？國外互聯網企業(yè)在大數據處理方面有哪些經驗可供我們借鑒？

李國杰：不管是Google、Amazon還是Facebook、Twitter，肯定不是用IOE這種模式，都是重新設計和建立新的系統(tǒng)。比較領先的應該是Google，但Google把自己的技術包裹起來，不告訴別人，所以，后來形成了以Hadoop為代表的一系列開源技術。雖然Hadoop借鑒了Google的一套大數據處理思路：GFS存儲、MapReduce計算、BigTable管理，但由于是全球人的貢獻，所以全球60%～70%的大型互聯網企業(yè)都在使用Hadoop開源技術。

國內的大數據代表性企業(yè)是百度、騰訊、阿里巴巴。由于大數據原創(chuàng)體系和基礎技術的話語權在國外（開源組織和大企業(yè)），所以國內企業(yè)在這方面有一定差距，但應用上不比國外企業(yè)差。需要注意，國內大型互聯網企業(yè)是自己確實有需求和價值驅動才改進原來的技術架構，而不是一味地跟風。比如淘寶網，每天的日志按照傳統(tǒng)方法只能存儲一周，數據量太大，不可能為了存儲數據再蓋大樓和機房，這就逼迫它必須優(yōu)化存儲、提高效率和節(jié)約成本。

由于中國人口多、市場大、數據量大，所以中國大數據發(fā)展的動力非常強勁，大數據的應用需求絲毫不亞于國外。同時，我們也要看到，中國發(fā)展新興產業(yè)是一個后來者，以前經常講，我們有后發(fā)優(yōu)勢，能夠避免走彎路。實際上，前面所走過的二十年，更多暴露出后發(fā)的劣勢和壁壘。比如桌面計算機（PC），技術掌握在英特爾和微軟手里，這就形成了它們的事實標準，必須用它們的平臺來做，而我們創(chuàng)新的空間很小，聯想在奮起直追，毛利率也是15%以下，凈利率只有2%。通信也是這樣，2G和3G的無線通信專利掌握在高通公司手里，雖然我們可以做4G等新技術，但必須與2G和3G兼容，只要兼容就無法擺脫高通的控制。這兩個大產業(yè)，雖然我國花了很大力氣，但在平臺上受制于人，創(chuàng)新空間一直很小。

大數據也不是沒有限制，但大數據是在比較開放的環(huán)境下發(fā)展的，盡管Google不很開放，但相比PC和無線通信領域還是有利的。中國科研機構和企業(yè)研發(fā)的大數據開源軟件，也可以加入到國際標準中去，成為世界開源組織大家庭的一部分。比如中科院計算所牽頭的Hadoop in China大會，現在轉移給中國計算機學會大數據專家委員會承辦，就一直得到世界開源組織的支持。大數據時代，不是國際大數據企業(yè)愿意主動貢獻Hadoop等數據處理技術，而是大數據產業(yè)特征決定了必須協作共享。大數據無所不在，不是幾個大企業(yè)就能壟斷得了的。

《新經濟導刊》：在IT領域，包括大數據在內，為什么新的技術都是國外先有，然后再引入到國內？什么時候“中國創(chuàng)新”能引領世界呢？

李國杰：總體來講，中國的信息技術水平處于世界第二軍團的前沿，與美國、日本等發(fā)達國家相比還有一定差距。如果中國的信息技術水平已經與發(fā)達國家并駕齊驅，那中國還是一個發(fā)展中國家嗎？信息技術是當代的一個特征技術，一個國家是不是經濟強國，不能僅拿制造業(yè)來衡量，關鍵看信息技術和生物技術。中國到2020年才能全面建成小康社會，到2050年才能實現現代化。科技不可能在國家綜合實力還落后的情況下一枝獨秀，當然不排除個別技術脫穎而出，但整體上還是受制于經濟和社會發(fā)展。

我國在發(fā)表論文方面，個別領域已經位居前列，國外的引用也較多，最典型的是材料科學。世界前十位材料科學論文引用率最高的作者，60%～70%都來自于中國大陸。按說中國應該是一個材料強國了，但實際情況并非如此，80%～90%的尖端材料全部是進口。所以我們不能對中國的科技水平期望太高，畢竟中國還是一個發(fā)展中國家，科技與經濟是相輔相成的，必須有市場需求，才有科技創(chuàng)新，信息技術同樣如此。

建立數據市場

《新經濟導刊》：面對紛繁復雜、無處不在的數據，中國在大數據管理和應用過程中如何確保數據安全呢？

李國杰：大數據時代，安全是一個基礎保障，但如果建立一個競爭有序的大數據交易市場，將大數據打包成產品依法進行交易，那所謂的數據隱私問題就可以規(guī)范化了。現在數據市場還未成型的情況下，那從頂層設計上要注意保障數據安全，包括隱私權、執(zhí)行權、防范數據篡改和崩潰、可信度等一系列問題。

但數據安全主要不是技術問題，因為數據放在哪里都有泄露的風險，它與商業(yè)模式有很大關系。中國迫切需要把數據市場、數據產業(yè)、數據產品的形態(tài)和交易模式清晰化。這些問題解決了，數據安全也就迎刃而解。現在最大的問題是，擁有原始數據的機構和企業(yè)，不知道如何把這些數據變成產品。

中國數據市場的建立可以借鑒金融衍生品市場的模式，一是政府出臺優(yōu)惠措施加以扶持；二是建立透明公開的交易平臺；三是加強創(chuàng)新，突破關鍵技術；四是發(fā)揮資本市場的作用。這樣就可以把各個載體的數據開發(fā)出一系列數據產品。目前產業(yè)界和投資界走在前面，科技界緊跟其后，政府還沒有認識清楚。

實際上，大數據現在僅僅是冰山一角，它的巨大價值還遠遠沒有挖掘出來，人們也確實不知道它的價值到底有多大。國家要創(chuàng)造一個支持新興業(yè)態(tài)的環(huán)境，讓新產品和新服務能夠噴薄而出。有些東西應該冒出來而未能冒出來的原因就是，被負面的東西和可能產生的負作用嚇怕了，比如安全和隱私。任何事物都是一把雙刃劍，關鍵看你的著眼點和出發(fā)點，如果只是除弊而不興利，那就越除越小，最終抑制它的成長。所以要正確看待新興事物，并在發(fā)展中解決存在的問題，而不是一棒子打死。例如，互聯網和手機，十年前誰也無法預料到能發(fā)展成現在這樣，都是在市場競爭中不斷優(yōu)勝劣汰發(fā)展起來的。當然，新技術和新興產業(yè)剛開始都有一個炒作過程，然后逐漸擠掉泡沫，沉淀下來，從而步入正常發(fā)展軌道。

《新經濟導刊》：請介紹一下中國的大數據產業(yè)鏈建設情況？

李國杰：IT產業(yè)在發(fā)展過程中已經形成了一些層次分布，有做服務器和底層系統(tǒng)的，有做軟件的，有做應用的，大數據也需要在原有的架構上加以發(fā)展。原來做基礎設施的企業(yè)，如聯想、華為，也要向大數據轉型，提供低成本、低能耗的大型存儲器，這是大數據產業(yè)的基礎。中間層是類似Hadoop、MapReduce的數據分析軟件，原有的軟件產業(yè)也要轉型，由賣軟件轉為以數據為中心。再往上就是百度、騰訊、阿里巴巴等大數據應用服務公司。

中國大數據產業(yè)的整體實力與國外相比有很大差距。應用企業(yè)由于服務中國市場，具有民族和語言等方面的優(yōu)勢，所以市場占有率較高，但需要走向國外，提高國際競爭力。軟件實力較弱，基礎設施更弱，芯片和操作系統(tǒng)還在成長中。所以，國家要針對大數據的需求，盡快出臺政策措施，全面提高大數據產業(yè)的競爭實力。企業(yè)要抓住機遇，加大自主創(chuàng)新力度，實現轉型發(fā)展，扭轉國際競爭中的不利地位。科研機構要瞄準國際前沿，大膽嘗試，積極探索。中科院計算所已經在研發(fā)五年以后的服務器和計算機了，我們如果研發(fā)成功，將會縮小國際差距。

《新經濟導刊》：您認為中國大數據產業(yè)的難點和瓶頸是什么？

李國杰：當務之急是建立上下游相互協作、相互支撐的大數據產業(yè)環(huán)境，特別是構建有技術自主權的大數據產業(yè)鏈，避免核心技術受制于人，重蹈PC和通信產業(yè)的老路。發(fā)展大數據產業(yè)，還需要突破一個瓶頸，那就是寬帶網絡的滯后。沒有高速的寬帶網絡做支撐，大數據將成為“空中樓閣”，所以，信息產業(yè)的“短腿”要趕緊補上。

新的應用需求呼吁新的人才，但我們的教育落后于經濟和社會的發(fā)展。大數據時代，需要從學校和實踐中培養(yǎng)各類數據人才，如數據科學家、首席數據官、數據咨詢師、數據分析師、數據工程師等。特別是數據咨詢人才，要大力培養(yǎng)，加快數據咨詢產業(yè)發(fā)展。另外，培養(yǎng)大數據人才，要打破專業(yè)限制，取長補短，除了傳統(tǒng)的計算機、電子信息專業(yè)，還應該更多從各行業(yè)中培養(yǎng)熟悉本行業(yè)的數據人才，教會他們從行業(yè)數據中挖掘價值。學計算機的人要放下身段，甘當配角，主角由行業(yè)人才來擔當，避免懂數據分析的沒有數據，不懂數據分析的卻擁有大量數據。（中科院計算所副總工程師、網絡數據科學與技術實驗室主任程學旗研究員對本文亦有貢獻）