旨在整合全球互聯網信息的谷歌，其首要目標本來是林林總總的商業網站。但最近，它推出了一種新型的數據集搜索引擎，將服務目標延展到了科研社群。這就是屬于科研工作者等數據狂的黑科技——Google Dataset Search（谷歌數據集搜索）。

谷歌數據集搜索發起了一次數據搜索的革命，它讓人們能夠迅速獲取分散在全互聯網的各式數據集。無論是網站、數字圖書館還是專業數據庫，只要是存在于線上的共享數據集，就能夠被引擎找到。用戶鍵入搜索信息后，谷歌會分析比對相同數據集的不同版本，并盡可能地檢索有價值的相關信息。

實際上，這次革命的核心工具非常純粹，就是一個可以將各式數據集集中在一起加以描述檢索的開放標準（http://schema.org）。數據發布者按照這個標準所定義的標簽框架，對發布的數據內容進行標簽式的描述。定義的標簽包括發布時間、發布方、數據收集方式等等。而引擎隨后會將這些標簽信息編入索引，并與谷歌知識譜圖結合使用，從而使本來分布零散的數據集成為一個能夠統一檢索的強大系統。

Figure.1Google Dataset Search使用實例

Figure.2Google Dataset Search使用實例

谷歌的人工智能科學家娜塔莎·諾伊（Natasha Noy）接受采訪時表示，創建數據集搜索的目標是將數以萬計的在線數據集統合展示，并非自行建立數據庫收集數據，她說：“我們只是希望這些數據能夠被人們輕松獲取，并不是想將其收集挪動到其他地方。“

目前，互聯網上的數據集資料分布極其零散。不同的學科領域各自擁有自己的首選資源庫，各政府機構和地方當局更是如此。諾伊說：“科學家們當然知道能在哪些專業數據庫找到他們自己領域的數據，但他們有時想要的并不是這一類數據。而一旦他們將視野拓展到專業領域之外，數據搜尋就會變得十分困難。”

諾伊舉了一個她親歷親聞的例子，一位氣象學家在為即將開展的研究尋找海洋溫度的特定數據集，但怎么也找不到。她沒有繼續追蹤，直到她在遇到了相關方面的同事，在同事的幫助下她才找到那個數據庫。然后她的研究工作才得以繼續。諾伊說：“雖然保存數據的地方算是很顯見，數據描述也寫得很清晰，但仍然很難被找到。”

該搜索引擎的初始版本主要包括來自ProPublica等新聞機構以及政府機構的數據和數據集。 但是，如果這項搜索服務最終流行起來，那么隨著機構和科學家爭相開放數據的訪問權限，它所囊括的數據量肯定會呈現滾雪球式的成長。

而近年來，世界各地關于數據開放共享的倡議正在蓬勃發展，這將有助于數據集搜索引擎的實現。諾伊認為，在過去的幾年里，可共享數據的存量已經爆炸，她將此歸功于科學文獻中數據的重要性在日益增長——因為期刊會要求作者將數據集發布出來。而除此之外，美國政府和歐洲政府的法律法規也在進一步引導數據開放共享。

開放數據研究所（ODI）首席執行官Jeni Tennison表示，Google參與到開放數據行動中來，將更有利于這項運動獲得成功。數據集搜索一直是一個很困難的事情，希望谷歌能讓它變得更加容易。她進一步說，要創建一個像樣的搜索引擎，你需要知道如何構建對用戶友好的系統，并了解人們在鍵入某些短語時的真實所想。而谷歌對這些了如指掌。事實上，對于搜索引擎來說，最重要的是用戶所產生的行為數據，這才是促進引擎快速成長的活力源泉。所以，雖然搜索引擎賴以抓取數據集的元數據標簽是一個開放標準，任何競爭對手（如Bing或Yandex等）都可以使用它來構建自己的競爭服務，但谷歌從沒有喪失自己的真正優勢。Tennison也表示：“直觀地了解人們的搜索方式很重要，譬如，他們在檢索時會使用什么樣的術語，又會如何表述這些術語。從了解人們如何搜索數據，并據此進一步推進數據開放的角度說，如果谷歌能夠開放自己的用戶行為數據，將會大有裨益。”

總而言之，更多的數據開放共享是值得期待的潮流，而谷歌無疑又一次扛起了領頭的大旗。當然，在谷歌完全回歸中國之前，我們距離便利還會多一個梯子的距離。