开放数据平台：为什么说它是科研圈的下一代基础设施

上周跟一个做环境遥感的博士吃饭，他拍桌子说，为了拿某流域十年的水质监测数据，磨了三个月，找了三个单位，最后只拿到三年的脱敏数据，还不能公开用在论文里。

很多人都有这经历。做科研做到头，被数据卡脖子，卡得进退不得。对吧？

科研人被数据卡脖子的日子，真的受够了

以前做科研，数据就是话语权。谁有数据谁就能发好文章，小课题组没钱没人脉，连入门的门都摸不到。我之前帮一个年轻老师审基金，他做城市社会学，想研究不同社区的流动人口变化，需要更精细的人口数据，找了半天，要么买不到，要么精度不够，最后差点改了研究方向。

说实话，这种事儿太常见了。国内这些年论文数量涨得飞快，但真正能复现的研究有多少？很大一部分原因就是数据不公开，别人想验证结论都拿不到原始数据，整个领域的创新速度都被拖慢，数据垄断的墙，把太多有想法的年轻人挡在了门外。

改变是从最近五六年开始的。越来越多的国家级开放数据平台建起来，越来越多的期刊要求数据公开，这层窗户纸，终于被捅破了。

现在的开放数据平台，早就不是放文件的仓库了

前两年我去参加一个数据科学的年会，听到国家天文开放数据平台的分享，吓了一跳。郭守敬望远镜积累的上亿条天体光谱数据，全部免费对全球开放，任何人只要注册就能下载，不用打招呼不用写申请，更不用托关系找人签字。去年FAST也开放了一批脉冲星观测数据，好多民间天文爱好者都靠着这批数据挖出了新的脉冲星，这放在二十年前提都不敢想。

不止天文领域。生命科学里，国家基因组科学数据中心，开放了上百万份人类基因组测序数据，做遗传病研究的课题组不用自己花大几百万测序，直接拿现成的数据就能做分析，省下的钱能多养两个博士生。

说实话，这种改变是颠覆性的。以前大课题组垄断数据的日子，正在慢慢过去。一个刚毕业的年轻博后，只要思路够好，就能用开放数据做出顶刊级别的研究。我去年就看到一篇论文，通讯作者是双非院校的青年教师，整个研究只用了开放的全球植被遥感数据，发了Nature子刊，全部研究成本才几万块，换十年前，根本不可能。

不过话说回来，现在的开放数据平台也不是没毛病。很多平台数据上传了就没人维护，过两年链接失效，找都找不到。还有些数据标注混乱，你花了一天时间下完几个T的数据，打开一看根本不是你要的东西，白忙活。还有版权模糊，有些数据说是开放，其实只能看不能用在商用项目，甚至发论文都要提前申请授权，一不小心就踩坑。

开放数据平台的未来，核心不是开放，是服务

现在业内都在喊开放数据，喊得很多，但很少有人提，开放之后的服务才是真正的核心。你把一堆杂乱无章的原始数据扔上去，用户不会搜不会用，等于白放。

做得好的开放数据平台，不仅给数据，还要给工具，给教程，甚至给现成的分析流程。我见过国内做得不错的国家科学数据云，已经上线了在线分析功能，你不用把几个T的数据下载到自己的服务器，直接在平台上就能跑模型，省了不知道多少存储和带宽成本，对普通课题组来说，这简直是救命的福利。

还有绕不开的数据质量问题。现在开放数据越来越多，鱼龙混杂，你拿到一组数据，根本不知道它准不准，不敢随便用在论文里。所以未来开放数据平台得做分层的质量认证，哪些是经过同行审核的，哪些是原始采集的，哪些是二次加工的，给用户标得明明白白，大家用起来才放心。

还有隐私问题。很多涉及个人信息、敏感领域的数据，不能直接开放。现在联邦学习、隐私计算这些技术成熟了，能不能在开放数据平台上实现可用不可见的数据共享？就是用户能用数据做研究训练模型，但拿不到原始的个体信息，既解决了数据开放的需求，又保护了隐私安全，这才是能走长远的方向。

我最近跟一个做开放数据平台运营的朋友聊天，他说现在国内最遗憾的不是没有开放数据，是很多科研人员根本不知道这些平台存在，还是习惯性到处托人求人要数据，很多高校开科研方法课的时候，根本不教怎么用这些免费的开放资源，学生做毕设还在自己瞎找数据，太浪费了。

说白了，开放数据平台不只是一个放数据的仓库，它是整个科研体系的核心基础设施，就像二十年前的互联网，刚出来的时候没人觉得它能改变什么，等到所有人都用上了才发现，整个科研的规则都变了。

你要是正在做科研，现在就去搜搜跟你领域相关的开放数据平台。说不定你卡了大半年的问题，别人早就把整理好的数据放在那儿了。

真的，推开门才知道，外面的天已经宽了好多。