Hugging Face 联合多所高校发起 Project ProtoStar，推动公共资助科研成果 AI-ready 化

一项联合高校、研究机构、产业界与开放科学社区的倡议，旨在让公共资助的研究更易于发现、复用并在此基础上继续发展。

今天，我们宣布推出 ProtoStar 计划，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、模型和代码更易于获取和复用，尤其是面向 AI 驱动的研究。ProtoStar 汇集了研究机构、产业界和开放科学社区，支持以 AI 就绪、机器可操作的格式发布科学成果，并通过一系列开放挑战赛展示其价值。首个挑战赛由 卡内基梅隆大学 主办，于 11 月 2 日开启。请参见下方的 如何参与。

该计划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，它们均通过高校联盟合作伙伴 Open Forum for AI (OFAI) 开展合作；此外还有 Astera Institute；作为基础设施合作伙伴的 Hugging Face；以及作为社区合作伙伴、通过其 Fostering Innovation Network 参与的 Open Research Community Accelerator (ORCA)。

参与组织将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 ProtoStar 计划的组织可以联系 [email protected]。

让公共资助的科研成果更可用

美国联邦政府每年在研发上投入约 1900 亿美元，且联邦政策日益要求将研究成果公开发布。美国国立卫生研究院（NIH）和美国国家科学基金会（NSF）等机构已强化了对受资助研究出版物的公开获取要求，并要求研究者规划如何共享底层数据。Hugging Face 是 NIH 列出的十个通用知识库之一，可用于共享研究数据。

但让研究公开并不意味着它自动变得可用。科学数据集、模型和代码常常分散在不兼容的系统中，以静态或过时的格式存储，或者在发布时缺少理解和复用它们所需的文档、元数据和来源信息。这些限制使研究者更难在已有成果的基础上开展研究，也让 AI 系统更难跨学科地发现、解读和组合科学资源。

Project ProtoStar 旨在通过鼓励以 AI 就绪格式系统化地共享公共资助的科学产物，并辅以开放的基础设施和实用的发布指南，来帮助弥合这一差距。它建立在 美国国家癌症研究所的 AI 数据就绪挑战赛和 Hugging Face 的公共部门数据 AI 化准备指南等工作之上。其目标是让研究机构更容易满足现有的公开获取要求，同时提升其所发布工作的科学价值。

对可复用科学资源的需求已显而易见。Hugging Face 托管了超过 17,000 个覆盖核心科学领域的公开数据集，包括基因组学、蛋白质设计、化学、天气与气候、对地观测以及天文学。若加上医学和数学领域，这一数字接近 29,000，此外还有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 上共享的新科学数据集数量是 2025 年同期的三倍以上，即使排除上传量最大的个人用户，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）。按创建日期统计仍公开的数据集。数据来源：Hugging Face Hub 数据，2026 年 10 月。探索数据。

当各机构以可复用的格式共享研究成果时，科学界就可以大规模地在此基础上进行构建。截至 2026 年 10 月 26 日，NIH 下属的 National Center for Biotechnology Information (NCBI) 在 Hugging Face 上维护的 18 个公开仓库累计获得超过 1,100 万次下载，而 NASA IMPACT 的 27 个仓库获得了约 77 万次下载。文档说明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研究等领域的进一步发展十分重要；Hugging Face 的研究人员一直在开放的科学研究资源基础上进行构建，包括 HuggingFaceBio 近期发布的 Carbon-A 和 Carbon-X 等成果。通过开放地发布由此产生的模型、数据集和工具，这些工作展示了现有的科学资源如何支持新的研究，并让其他人在此基础上继续构建。

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。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 上共享合适的数据集、AI 模型和其他研究成果，同时认识到领域专用仓库持续存在的重要性。

开放科学挑战赛

让科学成果达到 AI 可用标准是重要的第一步。我们还想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实现什么。

ProtoStar 的一个核心问题是：以 AI 可用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惠及公众？

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的研究机构主办，并围绕该机构开放发布的科学资源展开。这些挑战赛有两个相辅相成的目标：

• 展示科学复用。产出具体的实例，展示研究人员和开发者如何在公共资助的科学成果基础上进行构建，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建立一个实用的证据基础，使公共资助的科学更加易获取、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 2–13 日

首届 ProtoStar 挑战赛邀请参与者测试 AI 能否利用来自美国 210 个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，从而可以对照观测到的天气而非假设的未来情景来评估其模型。

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 方法是否能在准确性上带来实质性提升。

除了预测之外，参与者还将基于从数据中获得的认识，提出一项简短的气候适应政策构想。这一环节鼓励团队将科学分析与实际的公共效益联系起来，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输出的 Hugging Face 数据集。预测性能将通过公共排行榜衡量预测误差与既定基线的差距来进行评估，政策构想则将获得单独考量。最终预测结果将在 2027 年初公布，届时 2026 年的完整天气记录将可用。

探索 CMU 气候风险智能挑战赛

CMU 挑战赛是该系列的首个赛事。其他参与机构将陆续主办各自的挑战赛，每场都聚焦不同的公共资助科学资源和复用机会。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 都为你提供了将公共资助研究付诸应用的机会，并帮助我们了解要让 AI 就绪的开放科学发挥更广泛的作用还需要什么。

我们也欢迎大学、联邦研究机构、国家实验室、非营利组织以及其他希望让其科学资源更易获取、更可复用的研究组织参与。如欲探讨参与或合作，请联系 [email protected]。

我们希望 ProtoStar 能让公共资助的科学成果更容易触达能够在其基础上进行构建的人群和工具，同时生成关于支持大规模开放科学所需基础设施与实践的实用证据。