Hugging Face 发起 Project ProtoStar，推动公共资助科研数据“AI 可用”

Hugging Face 于 10 月 29 日宣布发起 Project ProtoStar。这是一项联合计划，参与方包括大学、研究机构、产业界与开源科学社区，目标是让公共资助的科研成果更容易被发现、复用和继续构建，重点是把数据集、模型和代码以“AI 可用、机器可操作”的格式发布出来。

创始伙伴名单具体而明确：卡内基梅隆大学、普渡大学、佐治亚理工学院、亚利桑那州立大学和乔治·华盛顿大学通过 Open Forum for AI（OFAI）作为高校联盟伙伴；Astera Institute 参与其中；Hugging Face 担任基础设施伙伴；Open Research Community Accelerator（ORCA）通过其 Fostering Innovation Network 作为社区伙伴。

参与机构通过谅解备忘录确认合作，承诺在开放基础设施上发布适合公开的科学数据集、模型与代码。项目也留下了加入通道：有意参与的组织可联系 protostar@orcaopen.org。

背景是美国联邦政府每年在研发上投入约 1,900 亿美元，政策层面越来越要求成果公开。NIH 与 NSF 都加强了受资助论文的公共获取要求，并要求研究者规划底层数据的共享；Hugging Face 本身是 NIH 列出的十个通用数据存储库之一。

但“公开”不等于“可用”。博客指出，科学数据集、模型与代码常散落在互不兼容的系统中，或停留在静态、遗留格式里，缺少理解与复用所需的文档、元数据和来源信息。这既让研究者难以在已有工作上继续，也让 AI 系统难以跨学科发现、解释并组合这些资源。

需求侧的数据已经摆在那里。Hugging Face 在基因组学、蛋白质设计、化学、天气与气候、地球观测和天文学等核心科学领域托管了超过 17,000 个公开数据集，若计入医学与数学则接近 29,000 个，科学模型数量也相当。2026 年前九个月，研究者上传的新科学数据集数量是 2025 年同期的三倍以上。

复用带来的回报可以量化。NIH 下属 NCBI 在 Hugging Face 维护的 18 个公开仓库累计下载超过 1,100 万次，NASA IMPACT 的 27 个仓库截至 10 月 26 日约 77 万次；平台数据显示，90% 的数据集下载来自文档完整的数据集。作为机构承诺的早期例子，CMU 开源项目办公室正在鼓励研究者把合适的数据集、AI 模型和其他研究产出发布到 Hugging Face 上。

首个开放挑战名为 Climate Risk Intelligence，由卡内基梅隆大学主办，时间为 11 月 2 日至 13 日。参赛者要用 210 个美国城市截至 2018 年的历史天气记录，预测 2019 至 2026 年的真实气候状况，并与实际观测对比，指标覆盖城市规划关心的年均气温、年降水量等四项。ProtoStar 表示后续挑战将由不同参与机构主办，围绕各自开放的科学资源展开，以此积累“什么样的共享才真正可复用”的证据。