宣布 Project ProtoStar：让公共资助的科学研究为 AI 做好准备

来源：https://huggingface.co/blog/announcing-project-protostar 这项倡议汇集大学、研究机构、业界和开放科学社区，让公共资助的研究更易于被发现、复用，并成为后续工作的基础。

Project ProtoStar：让公共研究成果发挥作用 (https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/announcing-project-protostar/header.jpg)

今天，我们宣布启动 Project ProtoStar (https://huggingface.co/project-protostar)。这项倡议旨在提升数据集、模型和代码的可获取性与可复用性，释放公共资助科学研究的潜力，尤其是服务于 AI 驱动的研究。ProtoStar 汇集研究机构、业界和开放科学社区，支持以适用于 AI、可供机器处理的格式发布科学研究产物，并通过一系列开放挑战赛展示其价值。首场挑战赛由卡内基梅隆大学 (https://www.cmu.edu/) 主办，将于 11 月 2 日启动。参与方式见下文 (https://huggingface.co/blog/announcing-project-protostar#the-first-challenge-climate-risk-intelligence)。

该倡议的创始合作伙伴包括卡内基梅隆大学 (https://www.cmu.edu/)、普渡大学 (https://www.purdue.edu/)、佐治亚理工学院 (https://www.gatech.edu/)、亚利桑那州立大学 (https://www.asu.edu/) 和乔治华盛顿大学 (https://www.gwu.edu/)，这些大学均通过作为大学联盟合作伙伴的人工智能开放论坛 (OFAI) (https://www.openforumai.org/) 参与；此外还有 Astera 研究所 (https://astera.org/)；作为基础设施合作伙伴的 Hugging Face (https://huggingface.co/)；以及开放研究社区加速器 (ORCA) (https://orcaopen.org/)，其通过旗下的促进创新网络 (https://orcaopen.org/work/fostering-innovation-through-open-science-fin) 担任社区合作伙伴。

参与组织通过签署谅解备忘录正式加入，支持在开放基础设施上，以适用于 AI 的格式发布合适的科学数据集、模型和代码。有意加入 Project ProtoStar 的组织可联系 [email protected]。

https://huggingface.co/blog/announcing-project-protostar#making-publicly-funded-science-more-usable让公共资助的科学研究更易于使用

美国联邦政府每年在研究与开发方面投入约 1,900 亿美元 (https://www.congress.gov/crs-product/R48694)，联邦政策也日益要求向公众分享研究成果。美国国立卫生研究院 (NIH) (https://www.nih.gov/) 和美国国家科学基金会 (NSF) (https://www.nsf.gov/) 等机构已加强对受资助研究出版物的公众获取要求，并要求研究人员制定基础数据的共享计划。Hugging Face 是 NIH 列出的十个用于共享研究数据的通用存储库之一 (https://www.nlm.nih.gov/NIHbmic/generalist_repositories.html)。

**但公开研究成果并不意味着它们自然就能被有效使用。**科学数据集、模型和代码往往分散在互不兼容的系统中，以静态或旧式格式存储，或者在发布时缺少理解和复用它们所需的文档、元数据及来源信息。这些局限使研究人员更难在已有工作基础上继续研究，也使 AI 系统更难跨学科发现、解读和整合科学资源。

Project ProtoStar 希望通过鼓励以适用于 AI 的格式系统性地共享公共资助的科学研究产物，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。它建立在美国国家癌症研究所的 AI 数据就绪度挑战赛 (https://datacommons.cancer.gov/news/nci-crdc-artificial-intelligence-data-readiness-aidr-challenge) 和 Hugging Face 的公共部门数据 AI 准备指南 (https://huggingface.co/blog/evijit/public-org-data-ai) 等工作的基础上。其目标是帮助研究组织更轻松地满足现有的公众获取要求，同时提升其发布成果的科学价值。

对可复用科学资源的需求已经十分明显。Hugging Face (https://huggingface.co/) 托管了超过 17,000 个涵盖核心科学领域的公开数据集，涉及基因组学、蛋白质设计、化学、天气与气候、地球观测和天文学。如果将医学和数学也计算在内，这一数字接近 29,000 个，平台上还托管了数量相当的科学模型。

共享的步伐也在加快。2026 年前九个月，研究人员在 Hugging Face 上共享的新增科学数据集数量超过了 2025 年同期的三倍，即使剔除上传量最大的单个上传者，增长幅度仍然可观。

图 1。Hugging Face 每季度新增公开科学数据集数量，按领域划分 (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 (https://huggingface.co/spaces/evijit/hf-science-growth)。

当组织以可复用格式共享研究成果时，科学界便能大规模地在其基础上开展工作。截至 2026 年 10 月 26 日，NIH 旗下美国国家生物技术信息中心 (NCBI) (https://www.ncbi.nlm.nih.gov/) 在 Hugging Face 上维护的 18 个公开存储库累计获得了超过 1,100 万次下载，而 NASA IMPACT (https://huggingface.co/nasa-impact) 的 27 个存储库获得了约 77 万次下载。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完备的数据集 (https://arxiv.org/abs/2401.13822)。

公开可用的基因组数据已被证明对推动生物学研究等领域进一步发展的研究十分重要；Hugging Face 的研究人员一直在利用开放的科学资源开展工作，其中包括 HuggingFaceBio (https://huggingface.co/HuggingFaceBio) 最近发布的 Carbon-A (https://huggingface.co/blog/HuggingFaceBio/carbon-annotator-genbank-genome-annotation) 和 Carbon-X (https://huggingface.co/spaces/HuggingFaceBio/Carbon-X-Release) 等成果。通过开放发布由此产生的模型、数据集和工具，这些工作展示了现有科学资源如何支持新的研究，并让其他人在其基础上继续探索。

这正是我们通过 Project ProtoStar，借助参与组织采纳的机构政策进一步推动的活动。作为机构承诺的一个早期范例，卡内基梅隆大学的开源项目办公室正在鼓励研究人员在 Hugging Face 上共享合适的数据集、AI 模型及其他研究成果，同时认可特定领域存储库持续发挥的重要作用。

https://huggingface.co/blog/announcing-project-protostar#open-science-challenges开放科学挑战赛

让科学研究产物为 AI 做好准备 (https://huggingface.co/blog/evijit/public-org-data-ai) 是重要的第一步。我们也希望展示，当这些资源可供复用时，研究人员、开发者和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：以适用于 AI 的格式发布的公共资助科学数据集、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增进公共利益？

为探索这一问题，ProtoStar 将组织一系列开放挑战赛，每场均由一家参与的研究机构主办，并围绕该机构已开放发布的科学资源展开。挑战赛有两个相辅相成的目标：

• **展示科学资源复用的成果。**提供研究人员和开发者在公共资助的科学研究产物基础上开展工作的具体实例，包括整合不同机构或学科资源的应用。
• **了解促成复用的条件。**识别技术障碍、文档缺口、互操作性难题和成功实践，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将帮助建立实证基础，为提升公共资助科学研究的可获取性和实用性提供支持。

https://huggingface.co/blog/announcing-project-protostar#the-first-challenge-climate-risk-intelligence首场挑战赛：气候风险智能

卡内基梅隆大学气候风险智能挑战赛，2026 年 11 月 2 日至 13 日 (https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/blog/announcing-project-protostar/climate-challenge.jpg)

由卡内基梅隆大学 (https://www.cmu.edu/) 主办 | 2026 年 11 月 2 日至 13 日

首届 ProtoStar 挑战赛邀请参与者利用美国 210 座城市的历史天气数据，检验 AI 能否改善对城市气候状况的预测。在卡内基梅隆大学的研究 (https://doi.org/10.1184/R1/7890488.v6) 基础上，各团队将使用截至 2018 年的气候记录，预测 2019 年至 2026 年的实际状况，从而依据观测到的天气来评估模型，而非依据假设的未来情景。

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、一年中最热一天的气温，以及衡量空调需求的制冷度日数。其预测结果将与历史平均值和线性趋势等简单统计基准进行比较，以评估 AI 方法能否显著提高准确性。

除预测之外，参与者还将根据从数据中获得的认识，提出一项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联系起来，例如帮助城市应对极端高温、提高能源效率，或应对不断变化的降水模式。

各团队将提交包含这些成果的 Hugging Face 数据集。预测表现将通过公开排行榜进行评估，衡量预测误差并与既定基准比较；政策构想则另行评议。最终预测结果将于 2027 年初、2026 年完整天气记录公布后发布。

了解卡内基梅隆大学气候风险智能挑战赛 (https://huggingface.co/spaces/CMU-OSPO/protostar-challenge-climate-risk-intelligence)

卡内基梅隆大学挑战赛是该系列的首场赛事。其他参与机构将依次举办各自的挑战赛，分别展示不同的公共资助科学资源及其复用机会。后续挑战赛将通过 Hugging Face 上的 Project ProtoStar 页面 (https://huggingface.co/project-protostar) 公布。

https://huggingface.co/blog/announcing-project-protostar#how-to-join-project-protostar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 都提供了让公共资助研究发挥作用的机会，同时帮助我们了解，要让适用于 AI 的开放科学得到更广泛的应用，还需要哪些条件。

我们也欢迎有意提升自身科学资源可获取性和可复用性的大学、联邦研究机构、国家实验室、非营利组织及其他研究组织参与。如需探讨参与或合作事宜，请联系 [email protected]。

我们希望 ProtoStar 能让公共资助的科学成果更容易被能够在其基础上继续开展工作的人和工具获取，同时提供实践证据，帮助明确大规模支持开放科学所需的基础设施和实践方法。