Hugging Face发起Project ProtoStar：让公共资金资助的科研成果适合AI复用，首场气候风险挑战赛11月2日开始

Hugging Face 于 2026 年 10 月 29 日宣布启动 Project ProtoStar，这项倡议希望让公共资金资助的科研数据集、模型和代码更容易被发现、复用，尤其方便 AI 驱动的研究。参与方承诺以“AI 就绪、机器可操作”的格式发布适合公开的科研成果，并通过一系列公开挑战赛展示复用的价值。第一场由卡内基梅隆大学主办，11 月 2 日开始。

发起方包括卡内基梅隆大学、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，它们通过 Open Forum for AI（OFAI）作为大学联盟伙伴参与；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 担任社区伙伴。参与机构以谅解备忘录的形式，承诺把合适的科学数据集、模型和代码以 AI 就绪的格式放到开放基础设施上。有意加入的机构可以联系 [email protected]。

文章的背景判断是：把研究成果公开，并不等于它们可用。美国联邦政府每年在研发上投入约 1,900 亿美元，国立卫生研究院（NIH）和国家科学基金会（NSF）等机构已加强对论文公开和数据共享计划的要求，Hugging Face 也是 NIH 列出的十个通用数据存储库之一。但科研数据集、模型和代码常常分散在互不兼容的系统里，以静态或陈旧的格式存放，缺少理解和复用所需的文档、元数据和来源信息。ProtoStar 希望通过系统性地鼓励以 AI 就绪格式共享，并提供开放基础设施和实用发布指南，来缩小这个差距。

文章引用了 Hugging Face 自己的统计作为需求的证据。Hugging Face 在基因组学、蛋白质设计、化学、天气与气候、地球观测和天文等核心科学领域托管了 1.7 万多个公开数据集，加上医学和数学则接近 2.9 万个，并有数量相当的科学模型。2026 年前九个月，研究者分享的新科学数据集数量是 2025 年同期的三倍多，即使剔除最大的单个上传者，增长依然显著。NIH 国家生物技术信息中心（NCBI）在平台上维护的 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 2026 年 10 月 26 日约有 77 万次下载；Hugging Face 上 90% 的数据集下载来自文档完整的数据集。这些都是平台自己的数字，不是独立评估。

首场挑战赛是卡内基梅隆大学主办的“气候风险智能”，时间为 2026 年 11 月 2 日至 13 日。参赛者使用美国 210 个城市截至 2018 年的气候记录，预测 2019 至 2026 年的实际状况，因此模型是拿已观测到的天气来评估，而不是假想的未来情景。要预测的四项指标是年平均气温、年总降水量、一年中最热的一天，以及制冷度日数（空调需求的一种度量）。预测结果会与历史平均值、线性趋势等简单统计基线比较，用来判断 AI 方法是否带来有意义的精度提升。参赛者还要提出一项简短的气候适应政策设想，政策设想单独评审。团队提交一个 Hugging Face 数据集，预测表现通过公开排行榜上相对基线的误差评估，最终结果将在 2026 年全年天气记录完整后，于 2027 年初公布。需要留意的是，公告文章写的预测期是 2019 至 2026 年，而挑战赛页面的标题和说明写的是 2019 至 2025 年，两处不一致，本文不替它们选择其一。

文章还举了已有的做法作为铺垫。它说 ProtoStar 建立在美国国家癌症研究所的 AI 数据就绪挑战赛和 Hugging Face 的公共部门数据 AI 准备指南之上；卡内基梅隆大学的开源项目办公室已经鼓励研究者把合适的数据集和模型放到 Hugging Face，同时承认领域专用存储库仍然重要。Hugging Face 自家的生物团队发布的 Carbon-A 和 Carbon-X 被当作例子，说明开放的科学资源能支持新的研究。这些都是倡议方的叙述，尚无独立评估。

要注意，这是一项刚宣布的倡议，不是已经产生结果的研究：文章没有给出“AI 就绪”的量化标准，也没有说明有多少机构会真正发布数据。它的检验方式是挑战赛能否产出具体的复用案例，并找出文档、互操作性方面的障碍。对研究机构来说，现在能做的是联系发起方，或先检查自己要发布的数据是否有完整的文档和元数据。