Announcing Project ProtoStar: Making Publicly Funded Science AI-Ready

宣布 ProtoStar 项目：让公共资助的科学研究 AI 就绪

返回文章列表

[-1

]

[0

2026 年 10 月 29 日发布

GitHub 上的更新

点赞

7

[

• +1

Avijit Ghosh

evijit

关注

hfpolicy

Sayeed Choudhury

sayeedmd

CMU-OSPO

Greg Tananbaum

gtananbaum

ORCA-Open

Emma Scharfmann

EmmaScharfmann

hugging-science

Georgia Channing

cgeorgiaw

Eunice Mercado-Lara

EuniceML

Irene Solaiman

irenesolaiman

一项汇集大学、研究机构、产业界和开放科学社区的倡议，旨在使公共资助的研究更容易被发现、重用和进一步开发。

今天，我们宣布启动 ProtoStar 项目，这是一项旨在通过提高数据集、模型和代码的可访问性与可重用性，释放公共资助科学研究潜力的倡议，特别是为 AI 驱动的研究提供支持。ProtoStar 联合研究机构、产业界和开放科学社区，推动科研成果以 AI 就绪、机器可操作的格式发布，并通过一系列开放挑战赛展示其价值。由卡内基梅隆大学主办的首个挑战赛将于 11 月 2 日启动。有关参与方式，请参见下方“参与方式”。

该倡议的创始合作伙伴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，这些大学通过人工智能开放论坛（OFAI）作为高校联盟合作伙伴开展合作；Astera 研究所；Hugging Face 作为基础设施合作伙伴；以及通过其创新培育网络，开放研究社区加速器（ORCA）作为社区合作伙伴。

参与机构通过签署备忘录，正式承诺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。有兴趣加入 ProtoStar 项目的组织可通过 [email protected] 与我们联系。

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发领域投入约 1900 亿美元，且联邦政策日益要求研究成果向公众公开。美国国家卫生研究院（NIH）和国家科学基金会（NSF）等机构已加强了对资助研究出版物的公共访问要求，并要求研究人员制定数据共享计划。Hugging Face 被 NIH 列为十大通用研究数据共享仓库之一。

但仅仅使研究公开并不等于使其易于使用。科学数据集、模型和代码通常分散在不兼容的系统中，以静态或过时的格式存储，或在缺乏必要文档、元数据和出处信息的情况下发布，这使得研究人员难以基于现有成果进行创新，也使 AI 系统更难跨学科发现、解释和整合科学资源。

ProtoStar 项目旨在通过鼓励以 AI 就绪格式系统性共享由公共资金支持的科学成果，来弥补这一差距。该项目依托开放基础设施和实用的出版指南，建立在如美国国家癌症研究所（National Cancer Institute）的 AI 数据就绪挑战赛和 Hugging Face 的《公共部门数据 AI 准备指南》等已有努力的基础上。其目标是帮助研究机构更轻松地满足现有的公共访问要求，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显现。Hugging Face 在核心科学领域（包括基因组学、蛋白质设计、化学、天气与气候、地球观测和天文学）托管了超过 17,000 个公开数据集。若包含医学和数学领域，这一数字接近 29,000，同时还有数量相当的科学模型可供使用。

共享速度也在加快。2026 年前九个月，研究人员在 Hugging Face 上发布的科学数据集数量是 2025 年同期的三倍以上，即使排除最大的单个上传者，增长幅度依然显著。

图 1. 按领域划分的 Hugging Face 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）。数据集按创建日期统计，仅计算仍处于公开状态的数据集。数据来源：Hugging Face Hub，2026 年 10 月。探索数据

当机构以可复用格式共享研究成果时，科学界可以大规模地在此基础上进行构建。截至 2026 年 10 月 26 日，美国国立卫生研究院（NIH）国家生物技术信息中心（NCBI）在 Hugging Face 上维护的 18 个公开数据仓库已累计获得超过 1100 万次下载，而 NASA IMPACT 的 27 个数据仓库则获得了约 77 万次下载。文档也是使这些资源具有实用性的关键部分：Hugging Face 上 90% 的数据集下载均来自完整文档化的数据集。

公开的基因组数据在推动生物研究等领域的进一步发展中发挥了重要作用。Hugging Face 的研究人员正在利用公开的科学资源进行研究，包括 HuggingFaceBio 最近发布的 Carbon-A 和 Carbon-X 等成果。通过公开发布由此产生的模型、数据集和工具，这些努力展示了现有科学资源如何支持其他人可以进一步构建的新研究。

这就是我们通过 ProtoStar 项目通过参与机构制定的政策进一步推动的活动类型。作为机构承诺的早期案例，卡内基梅隆大学（CMU）的开源项目办公室正在鼓励其研究人员在 Hugging Face 上共享合适的公开数据集、AI 模型和其他研究成果，同时承认领域特定仓库的持续重要性。

开放科学挑战

使科学成果具备 AI 就绪性是重要的第一步。我们还希望展示研究人员、开发者和更广泛的科学界在这些资源可供复用时能够实现什么。

ProtoStar 的核心问题是：以 AI 就绪格式发布的、由公共资金支持的科学数据集、模型和代码，是否能够被轻松发现、复用、组合和扩展，从而加速科学发现和公共利益的实现？

为探索这一问题，ProtoStar将组织一系列公开挑战赛，每场挑战赛由参与的研究机构主办，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：

• 展示科学成果的再利用。通过具体案例展示研究人员和开发者如何基于公开资助的科学成果进行创新，包括跨机构或跨学科整合资源的应用场景。
• 探索实现再利用的条件。识别技术障碍、文档缺失、互操作性挑战以及成功实践，为未来科研基础设施建设、资金决策和公共政策制定提供参考。

这些项目成果和经验教训将为构建实践证据体系提供支持，从而提升公开资助科学成果的可及性和实用性。

首场挑战赛：气候风险智能

由卡内基梅隆大学主办 | 2026年11月2日-13日

ProtoStar首场挑战赛邀请参赛者验证AI是否能通过分析210个美国城市的历史气象数据，提升对城市气候条件的预测能力。基于卡内基梅隆大学的研究成果，参赛团队将使用至2018年的气候记录，预测2019至2026年的实际气候状况，使模型能够基于观测数据而非假设性未来场景进行验证。

参赛者需预测四个与城市规划相关的指标：年平均气温、年总降水量、年度最热日以及制冷度日（衡量空调需求的指标）。预测结果将与简单统计基准（包括历史平均值和线性趋势）进行对比，评估AI方法在准确性上的提升价值。

除预测任务外，参赛者还需基于数据分析提出一项简短的气候适应政策建议。该环节鼓励团队将科学分析与实际公共效益结合，例如为城市应对极端高温做准备、提升能源效率或管理降水模式变化。

团队需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评估，该榜单会衡量预测误差与既定基准的对比情况，而政策建议将单独评审。最终预测结果将在2027年初公布，待2026年完整气象记录发布后即可完成。

探索CMU气候风险智能挑战赛

CMU挑战赛是该系列的首场活动。后续其他参与机构将依次举办各自挑战赛，每场聚焦不同的公开资助科学资源和再利用机会。未来挑战赛信息将通过Hugging Face上的ProtoStar项目页面发布。

如何参与ProtoStar项目

无论您是学术研究者、学生、独立开发者，还是基于开放科学基础设施构建应用的公司，ProtoStar都为您提供机会，将公开资助的研究成果转化为实际应用，并帮助我们了解如何使AI就绪的开放科学更广泛地发挥作用。

我们同样欢迎有兴趣提升科学资源可及性和可重用性的大学、联邦研究机构、国家实验室、非营利组织及其他研究机构参与。如需探索参与或合作机会，请联系[email protected]。

我们的目标是希望通过 ProtoStar 让公共资助的科学工作更容易被能够进一步开发和利用这些成果的人和工具所接触，同时生成关于支持大规模开放科学所需基础设施和实践的实用证据。

本文提及的社区空间 3

更多博客文章

community

datasets

synthetic-data

Docmatix - 用于文档视觉问答的大型数据集

80

2024年7月18日

nlp

research

介绍 Ettin 重排序器家族

58

2026年5月19日

社区

编辑

预览

可通过拖拽到文本输入框、粘贴或

点击此处

上传图片、音频和视频。

轻点或粘贴此处上传图片

评论

· 注册或登录以发表评论