Hugging Face 发起 Project ProtoStar：让公共资助科研数据适配 AI

一项倡议，汇聚大学、研究机构、产业界与开放科学社区，让公共资助的研究更容易被发现、复用和在此基础上继续推进。

今天，我们宣布推出 Project ProtoStar，这是一项旨在释放公共资助科学研究潜力的倡议，通过让数据集、模型和代码更易获取和复用，尤其是面向 AI 驱动的研究。ProtoStar 汇聚研究机构、产业界和开放科学社区，支持以 AI 就绪、机器可执行的格式发布科学产物，并通过一系列开放挑战赛展示其价值。首个挑战赛由 Carnegie Mellon University 主办，将于 11 月 2 日启动。请参阅下方的如何参与。

该倡议的创始合作伙伴包括 Carnegie Mellon University、Purdue University、Georgia Institute of Technology、Arizona State University 和 The George Washington University，它们均通过 Open Forum for AI (OFAI) 作为大学联盟伙伴参与；Astera Institute；作为基础设施伙伴的 Hugging Face；以及通过其 Fostering Innovation Network 作为社区伙伴的 Open Research Community Accelerator (ORCA)。

参与机构通过一份谅解备忘录正式确立其参与，支持在开放基础设施上以 AI 就绪格式发布合适的科学数据集、模型和代码。有意加入 Project ProtoStar 的机构可联系 protostar@orcaopen.org。

让公共资助的科学更可用

美国联邦政府每年在研发上投入约 1900 亿美元，且联邦政策日益期望研究成果能够公开共享。National Institutes of Health (NIH) 和 National Science Foundation (NSF) 等机构已加强了对受资助研究出版物的公共获取要求，并要求研究人员规划共享底层数据。Hugging Face 是 NIH 列出的十个通用存储库之一，用于共享研究数据。

但让研究公开可用并不自动意味着它可用。科学数据集、模型和代码往往分散在互不兼容的系统中，以静态或遗留格式存储，或在发布时缺少理解和复用所需的文档、元数据和来源信息。这些限制使研究人员更难在现有工作基础上继续推进，也使 AI 系统更难跨学科发现、解释和组合科学资源。

Project ProtoStar 旨在通过鼓励以 AI 就绪格式系统性地共享公共资助的科学产物，并辅以开放基础设施和实用的发布指南，帮助弥合这一差距。它建立在 National Cancer Institute 的 AI Data-Readiness Challenge 和 Hugging Face 的公共部门数据 AI 准备指南等工作之上。目标是让研究机构更容易满足现有的公共获取期望，同时提升其发布工作的科学价值。

对可复用科学资源的需求已经显而易见。Hugging Face 在核心科学领域托管了超过 17,000 个公开数据集，涵盖基因组学、蛋白质设计、化学、天气与气候、地球观测和天文学。若将医学和数学领域计入，这一数字接近 29,000 个，此外还有数量相当的科研模型。

共享的步伐也在加快。2026 年前九个月，研究人员在 Hugging Face 上分享的新科学数据集数量是 2025 年同期的三倍多，即便排除最大的单个上传者，增长依然可观。

图 1. Hugging Face 上按领域划分的每季度新增公开科学数据集（2023 年第一季度至 2026 年第三季度）。按创建日期统计仍处于公开状态的数据集。来源：Hugging Face Hub 数据，2026 年 10 月。探索数据。

当各组织以可复用的格式分享研究成果时，科学界便能在此基础上大规模地开展研究。截至 2026 年 10 月 26 日，NIH 下属的国家生物技术信息中心（NCBI）在 Hugging Face 上维护的 18 个公开仓库累计下载量已超过 1100 万次，而NASA IMPACT 的 27 个仓库下载量约为 77 万次。文档也是让这些资源发挥作用的重要一环：Hugging Face 上 90% 的数据集下载来自文档齐全的数据集。

公开可用的基因组数据已被证明对推动生物学等领域进一步发展的研究具有重要意义；Hugging Face 的研究人员一直在基于公开可用的科学资源开展工作，包括 HuggingFaceBio 近期发布的 Carbon-A 和 Carbon-X 等成果。通过公开释放由此产生的模型、数据集和工具，这些工作展示了现有科学资源如何支撑他人可在此基础上继续推进的新研究。

这正是我们通过 Project ProtoStar 以及参与机构所采纳的机构政策进一步推动的活动类型。作为机构承诺的一个早期范例，CMU 的开源项目办公室正在鼓励其研究人员在 Hugging Face 上分享合适的数据集、AI 模型及其他研究成果，同时认可领域专用仓库的持续重要性。

开放科学挑战赛

让科学产物达到 AI 就绪状态是重要的第一步。我们还希望展示，当这些资源可供复用时，研究人员、开发者以及更广泛的科学界能够取得怎样的成果。

ProtoStar 的一个核心问题是：以 AI 就绪格式发布的、由公共资金资助的科学数据集、模型和代码，能否被便捷地发现、复用、组合和扩展，从而加速科学发现并造福公众？

为探索这一问题，ProtoStar 将组织一系列开放挑战赛，每场挑战赛由一家参与研究机构主办，并围绕该机构公开发布的科学资源展开。这些挑战赛有两个互补的目标：

• 展示科学复用。产出研究人员和开发者基于公共资金资助的科学产物开展工作的具体案例，包括跨机构或跨学科组合资源的应用。
• 了解是什么让复用成为可能。识别技术障碍、文档缺口、互操作性挑战以及成功实践，为未来的研究基础设施、资助决策和公共政策提供参考。

由此产生的项目和经验教训将有助于构建一个实用的证据基础，使公共资助的科学更加可及、更有用。

首个挑战：气候风险智能

由卡内基梅隆大学主办 | 2026年11月2日至13日

首届 ProtoStar 挑战赛邀请参与者检验 AI 能否利用来自 210 个美国城市的历史天气数据改进对城市气候状况的预测。基于卡内基梅隆大学的研究，各团队将使用截至 2018 年的气候记录来预测 2019 年至 2026 年的实际状况，从而让他们的模型能够对照观测到的天气进行评估，而非假设的未来情景。

参与者将预测四项与城市规划相关的指标：年平均气温、年总降水量、一年中最热的一天，以及制冷度日数（衡量空调需求的指标）。他们的预测将与简单的统计基线（包括历史平均值和线性趋势）进行比较，以评估 AI 方法能否在准确性上带来有意义的提升。

除预测之外，参与者还将根据从数据中学到的内容，提出一个简短的气候适应政策构想。这一环节鼓励各团队将科学分析与实际公共效益相结合，例如帮助城市应对极端高温、提高能源效率或管理不断变化的降水模式。

各团队将把上述输出作为 Hugging Face 数据集提交。预测表现将通过一个公开排行榜进行评估，衡量预测相对于既定基线的误差，而政策构想将另行评审。最终的预测结果将在 2027 年初、完整的 2026 年天气记录可用后公布。

探索 CMU 气候风险智能挑战赛

CMU 挑战赛是该系列中的首个。其他参与机构将依次举办各自的挑战赛，每场都聚焦不同的公共资助科学资源及其复用机会。未来的挑战赛将通过 Hugging Face 上的 Project ProtoStar 页面公布。

如何加入 Project ProtoStar

无论你是学术研究人员、学生、独立开发者，还是基于开放科学基础设施开展业务的公司，ProtoStar 都提供了机会，让你把公共资助的研究付诸实践，并帮助我们了解需要什么才能让 AI 就绪的开放科学得到更广泛的应用。

我们也欢迎有意让其科学资源更易获取、更易复用的大学、联邦研究机构、国家实验室、非营利组织及其他研究机构。如需探讨参与或合作，请联系 protostar@orcaopen.org。

我们希望 ProtoStar 能让公共资助的科学工作更容易触达那些能够在此基础上继续构建的人和工具，同时就大规模支持开放科学所需的基础设施和实践积累切实的证据。