Hugging Face 联合多所高校启动“ProtoStar”项目：推动公共资助科学数据 AI 化
10 月 29 日，Hugging Face 宣布启动名为“ProtoStar”（原星）的倡议项目。该项目旨在通过开放基础设施，将大学、研究机构、工业界及开放科学社区聚集在一起，使公共资助的科学数据集、模型和代码更易于获取与复用。
ProtoStar 的核心目标是支持以机器可操作、AI 就绪的格式发布科学文物，并通过一系列开放挑战验证其价值。卡内基梅隆大学主办的首个挑战将于 11 月 2 日正式启动。
该项目的创始合作伙伴包括卡内基梅隆大学、普渡大学、乔治亚理工学院、亚利桑那州立大学和乔治华盛顿大学，这些机构通过人工智能开放论坛 (OFAI) 作为大学联盟合作伙伴参与；艾斯特拉研究所 (Astra Institute) 作为基础设施合作伙伴加入；拥抱脸 (Hugging Face) 亦作为基础设施合作伙伴提供支持；此外，开放研究社区加速器 (ORCA) 通过其促进创新网络担任社区合作伙伴角色。
参与组织需签署谅解备忘录，承诺在开放基础设施上发布合适的科学数据集、模型和代码。有意加入的组织可通过 protostar@orcaopen.org 联系。
缩小公开研究与 AI 应用之间的差距
美国联邦政府每年在研发领域的投入约为 190 亿美元，相关政策日益要求研究成果公开共享。国家卫生研究院 (NIH) 和国家科学基金会 (NSF) 等机构不仅加强了对资助研究出版物公开访问的要求，还规定研究人员需制定基础数据共享计划。值得注意的是，Hugging Face 已被列为 NIH 认可的十大通用数据库之一。
然而，“公开”并不等同于“可用”。目前的科学数据集、模型和代码往往分散在不兼容系统中，或存储在静态、遗留格式中，缺乏必要的文档、元数据和来源说明，导致研究人员难以基于现有成果进行构建，AI 系统也难以跨学科发现、解释和整合这些资源。
ProtoStar 项目旨在弥合这一差距，鼓励系统性地将公共资助的科学文物以 AI 就绪格式共享，并提供实用出版指导。该项目建立在国家癌症研究所的人工智能数据准备挑战以及 Hugging Face 为 AI 准备公共部门数据的指南等前期努力之上，意在帮助研究机构满足公开访问期望的同时，提升研究成果的科学价值。
对可复用科学资源的需求迫切。目前涵盖基因组学、蛋白质设计、化学、天气气候、地球观测和天文学等领域的公共数据集超过 17000 个；若计入医学和数学领域，总数接近 29000 个，另有相当数量的科学模型。分享速度也在加快：2026 年前九个月共享的科学数据集数量是 2025 年同期的三倍以上，即便排除最大个人上传者的数据，增长趋势依然显著。
注：上图展示了 2023 年第一季度至 2026 年第三季度按季度统计的新增公共科学数据集分布。数据来源：Hugging Face Hub 数据，截至 2026 年 10 月。
当机构以可复用格式分享成果时，科学界能在此基础上实现大规模开发。截至 2026 年 10 月 26 日，NIH 下属国家生物技术信息中心 (NCBI) 在 Hugging Face 上维护的 18 个公共仓库累计下载量已突破 1100 万次；NASA IMPACT 的 27 个仓库下载量约为 77 万次。完善的文档至关重要：Hugging Face 上 90% 的数据集下载来自拥有完整文档的项目。
公开的基因组数据对生物研究等领域意义重大，例如 HuggingFaceBio 近期发布的 Carbon-A 和 Carbon-X 等科学资源。通过开源释放由此产生的模型、数据集和工具，展示了现有资源如何支撑新的研究进展。CMU 开源程序办公室已率先行动，鼓励研究人员在 Hugging Face 上分享合适的数据集和 AI 模型，同时保留特定领域存储库的重要性。
通过开放挑战验证科学复用价值
让科学文物适应 AI 仅是第一步，ProtoStar 试图回答的核心问题是：以 AI 就绪格式发布的公共资助科学资源，能否被轻松发现、复用、组合和扩展，从而加速科学发现和公共利益？
为此，ProtoStar 将组织由参与研究机构主办的系列公开挑战，围绕各机构公开发布的科学资源展开。这些挑战旨在达成两个目标：
- 展示科学复用实例：提供研究人员和开发者基于公共资助科学文物构建的具体案例，包括跨机构或学科结合资源的应用。
- 识别复用障碍与最佳实践：发现技术障碍、文档缺口、互操作性挑战及成功模式，为未来的研究基础设施、资助决策和公共政策提供依据。
首个挑战：气候风险情报
卡内基梅隆大学将于 2026 年 11 月 2 日至 13 日主办首届 ProtoStar 挑战。参与者需测试 AI 是否能利用美国 210 个城市的历史天气数据改善城市气候预测。团队将使用 2018 年的气候记录来预测 2019 年至 2026 年的实际情况，以便根据观察到的天气而非假设情景评估模型性能。
预测指标包括四个城市规划相关参数：年平均气温、年降水总量、一年中最热的一天，以及衡量空调需求的冷却度日。预测结果将与历史平均值和线性趋势等简单统计基线对比，以评估 AI 方法的准确性改进幅度。
除预测外，参与者还需提出简短的气候适应政策想法，如应对极端高温、提高能源效率或管理降雨变化，以此连接科学分析与公共利益。团队需提交包含输出结果的 Hugging Face 数据集。预测表现将通过公开排名表评估，政策想法单独考量。最终预报结果将在 2027 年初公布，届时完整的 2026 年天气记录将可用。
后续其他参与机构将陆续举办各自挑战，突出不同公共资助科学资源的复用机会。未来挑战详情将通过 Hugging Face 的 Project ProtoStar 页面发布。
参与方式
无论身份是学术研究人员、学生、独立开发者还是依托开放科学基础设施的企业，均可参与 ProtoStar 项目。大学、联邦研究机构、国家实验室及非营利组织等致力于提升科学资源可获取性和可复用性的机构也受邀加入。如需探索参与或合作，请联系 protostar@orcaopen.org。
