Project ProtoStar 发布：让公共资助的科学成果为 AI 做好准备
本文目录
作者：Avijit Ghosh（hfpolicy）、Sayeed Choudhury（CMU-OSPO）、Greg Tananbaum（ORCA-Open）、Emma Scharfmann（hugging-science）、Georgia Channing（hugging-science）、Eunice Mercado-Lara（ORCA-Open）、Irene Solaiman（hfpolicy）
发布于 2026 年 10 月 29 日
一项汇聚高校、研究机构、产业界与开放科学社区的计划，旨在让公共资助的研究更容易被发现、复用并在其之上继续构建。
今天，我们宣布启动 Project ProtoStar——一项旨在释放公共资助科学研究潜力的计划，让数据集、模型和代码更易获取、更易复用，尤其是面向 AI 驱动的研究。ProtoStar 汇聚研究机构、产业界与开放科学社区，支持以 AI 可用（AI-ready）、机器可操作（machine-actionable）的格式发布科学制品（artifact），并通过一系列公开挑战赛来证明它们的价值。首个挑战赛由卡内基梅隆大学（Carnegie Mellon University）主办，将于 11 月 2 日开启。参与方式见下文。
该计划的创始合作伙伴包括卡内基梅隆大学、普渡大学（Purdue University）、佐治亚理工学院（Georgia Institute of Technology）、亚利桑那州立大学（Arizona State University）和乔治·华盛顿大学（The George Washington University），它们均通过高校联盟伙伴 Open Forum for AI（OFAI）参与；Astera Institute；作为基础设施伙伴的 Hugging Face；以及作为社区伙伴的 Open Research Community Accelerator（ORCA），通过其 Fostering Innovation Network 参与。
参与机构通过一份谅解备忘录（memorandum of understanding）正式确认其参与，支持在开放基础设施上以 AI 可用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究与发展上的投入约为 1900 亿美元，而联邦政策越来越期望这些成果能被公开共享。美国国立卫生研究院（NIH）和美国国家科学基金会（NSF）等机构已加强对受资助研究出版物的公开获取要求，并要求研究者在计划中说明如何共享底层数据。Hugging Face 是 NIH 列出的十个用于共享研究数据的通用仓库之一。
但让研究公开可得，并不自动等于让它可用。科学数据集、模型和代码常常散落在互不兼容的系统中，以静态或遗留格式存储，或者在发布时缺少理解与复用所需的文档、元数据和溯源信息。这些限制让研究者更难在既有工作之上继续构建，而让 AI 系统跨学科发现、解读并组合科学资源则更难。
Project ProtoStar 旨在通过鼓励系统性地以 AI 可用格式共享公共资助的科学制品来弥合这一差距，并由开放基础设施和实用的发布指南提供支持。它建立在诸如美国国家癌症研究所（National Cancer Institute）的 AI Data-Readiness Challenge，以及 Hugging Face 的公共部门数据为 AI 做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开获取期望，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经显而易见。Hugging Face 在基因组学、蛋白质设计、化学、天气与气候、地球观测和天文学等核心科学领域托管了超过 17,000 个公开数据集。若把医学和数学也算进去，这一数字接近 29,000，此外还有数量相当的科研模型。
共享的速度也在加快。2026 年前九个月，研究者在 Hugging Face 上分享的新科学数据集数量是 2025 年同期的三倍以上，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。数据来源：Hugging Face Hub 数据，2026 年 10 月。探索数据。
当机构以可复用的格式共享研究时，科学界便能在此基础上大规模构建。截至 2026 年 10 月 26 日，NIH 下属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变得有用的重要一环：Hugging Face 上 90% 的数据集下载来自文档完整的数据集。
公开可用的基因组数据已被证明对推动生物研究等领域进步的研究具有重要价值；Hugging Face 的研究者一直在开放可用的科学资源之上开展工作，包括 HuggingFaceBio 近期发布的 Carbon-A 和 Carbon-X。通过公开释放由此产生的模型、数据集和工具，这些工作展示了既有科学资源如何支撑他人可以继续构建的新研究。
这正是我们通过 Project ProtoStar 借助参与机构采纳的机构政策所要进一步催化的活动。作为机构承诺的一个早期例子，CMU 的开源项目办公室（Open Source Programs Office）正在鼓励其研究者在 Hugging Face 上共享合适的数据集、AI 模型和其他研究成果，同时认可领域专用仓库的持续重要性。
开放科学挑战赛#
让科学制品达到 AI 可用是重要的第一步。我们还希望展示，当这些资源可供复用时，研究者、开发者和更广泛的科学社区能够取得什么成果。
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、组合并扩展，从而加速科学发现与公共福祉？
为探索这一问题，ProtoStar 将组织一系列公开挑战赛，每场由一家参与研究机构主办，并围绕该机构已公开释放的科学资源展开。这些挑战赛有两个互补的目标：
展示科学复用。产出研究者与开发者在公共资助科学制品之上构建的具体案例，包括跨机构或跨学科组合资源的应用。
弄清是什么让复用成为可能。识别技术障碍、文档缺口、互操作性挑战与成功做法，为未来的研究基础设施、资助决策和公共政策提供参考。
由此产生的项目与经验教训，将有助于为"让公共资助的科学更易获取、更有用"建立务实的证据基础。
首个挑战赛：气候风险智能#
由卡内基梅隆大学主办 | 2026 年 11 月 2 日—13 日
首届 ProtoStar 挑战赛邀请参与者检验：AI 能否利用美国 210 个城市的历史天气数据，改进对城市气候状况的预测。在卡内基梅隆大学研究的基础上，各团队将使用截至 2018 年的气候记录来预测 2019 至 2026 年的实际状况，从而让模型可以对照观测到的天气进行评估，而非对照假设的未来情景。
参与者需要预测四项与城市规划相关的指标：年平均气温、年总降水量、全年最热的一天，以及制冷度日（cooling degree days，衡量空调需求的一项指标）。他们的预测将与简单的统计基线进行比较，包括历史平均值和线性趋势，以评估 AI 方法是否带来实质性的准确率提升。
除预测之外，参与者还需基于从数据中学到的东西，提出一个简短的气候适应政策想法。这一环节鼓励团队把科学分析与实际公共利益联系起来，例如让城市为极端高温做好准备、提升能效，或应对不断变化的降水模式。
各团队需提交一个包含这些产出的 Hugging Face 数据集。预测表现将通过一个公开排行榜、以相对既定基线的预测误差来评估，政策想法则另行评审。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 挑战赛是本系列的第一场。其他参与机构将依次主办各自的挑战赛，每一场都突出不同的公共资助科学资源与复用机会。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#
无论你是学术研究者、学生、独立开发者，还是在开放科学基础设施之上构建产品的公司，ProtoStar 都提供了把公共资助研究投入实际应用的机会，并帮助我们了解要让 AI 可用的开放科学更广泛地发挥作用还需要什么。
我们也欢迎有意让自己的科学资源更易获取、更易复用的高校、联邦研究机构、国家实验室、非营利组织和其他研究机构。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其之上构建的人和工具，同时就支撑大规模开放科学所需的基础设施与实践，积累切实的证据。
本文提到的 Space：3 个