Hugging Face 宣布 Project ProtoStar：让公共资助科学数据达到 AI 可用状态

让公共资助的科学更具可用性

美国联邦政府每年在研究与发展上投入约1900亿美元，而联邦政策日益期望研究成果能够公开共享。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共获取要求，并要求研究人员规划共享底层数据。Hugging Face 是 NIH 列出的十个用于共享研究数据的通用型存储库之一。

但让研究公开可用并不自动意味着它就可被使用。科学数据集、模型和代码往往分散在互不兼容的系统中，以静态或遗留格式存储，或者在发布时缺少理解和复用所需的文档、元数据和来源信息。这些限制使研究人员更难在现有工作基础上继续推进，也使 AI 系统更难跨学科发现、解释和组合科学资源。

Project ProtoStar 旨在通过鼓励以 AI 就绪格式系统性地共享公共资助的科学产物，并辅以开放基础设施和实用的发布指南，来帮助弥合这一差距。它建立在诸如美国国家癌症研究所的 AI 数据就绪挑战赛以及 Hugging Face 的公共部门数据 AI 准备指南等工作的基础之上。其目标是让研究机构更容易满足现有的公共获取期望，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。若将医学和数学纳入统计，这一数字接近29,000个，此外还有数量相当的科學模型。

共享的步伐也在加快。研究人员在2026年前九个月在 Hugging Face 上共享的新科学数据集数量是2025年同期的三倍以上，即使排除最大的单个上传者，增长依然可观。

图1. Hugging Face 上每季度新增的公开科学数据集，按领域划分（2023年第一季度至2026年第三季度）。统计仍处于公开状态的数据集，按创建日期计。来源：Hugging Face Hub 数据，2026年10月。探索数据。

当各机构以可复用格式共享研究时，科学界便能够大规模地在此基础上继续推进。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个公开存储库累计获得超过1100万次下载，而 NASA IMPACT 的27个存储库获得了约77万次下载。文档也是使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整的数据集。

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进一步发展的研究具有重要意义；Hugging Face 的研究人员一直在基于公开可用的科学资源开展工作，包括 HuggingFaceBio 近期发布的 Carbon-A 和 Carbon-X 等成果。通过公开释放由此产生的模型、数据集和工具，这些工作展示了现有科学资源如何支撑他人可在此基础上继续推进的新研究。

这正是我们通过 Project ProtoStar 借助参与机构所采纳的机构政策进一步推动的活动类型。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，同时认可领域专用存储库的持续重要性。

开放科学挑战

让科学产物达到 AI 就绪是重要的第一步。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 AI 就绪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，每场挑战赛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。给出研究人员和开发者基于公共资助科学成果开展工作的具体示例，包括跨机构或跨学科整合资源的应用。

了解是什么让复用成为可能。识别技术障碍、文档缺口、互操作性挑战以及可为未来研究基础设施、资助决策和公共政策提供参考的成功实践。

由此产生的项目和经验教训将有助于构建一个实用证据基础，使公共资助的科学更易获取、更有用。

首个挑战赛：气候风险智能

首届 ProtoStar 挑战赛邀请参与者检验 AI 能否利用 210 座美国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，从而使其模型能够对照观测到的天气而非假设的未来情景进行评估。

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——衡量空调需求的一项指标。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 方法是否在准确性上带来了有意义的改进。

除预测之外，参与者还将根据他们从数据中学到的内容，提出一个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的公共效益联系起来，例如帮助城市为极端高温做好准备、提高能源效率，或管理不断变化的降水模式。

各团队将提交一个包含这些输出的 Hugging Face 数据集。预测表现将通过一个公开排行榜进行评估，该排行榜衡量预测相对于既定基线的误差，而政策构想将另行评审。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。

CMU 挑战赛是本系列中的第一个。其他参与机构将依次举办各自的挑战赛，每场都突出不同的公共资助科学资源及其复用机会。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工作的公司，ProtoStar 都提供了机会，让你把公共资助的研究付诸实践，并帮助我们了解需要什么才能使 AI 就绪的开放科学得到更广泛的应用。

我们也欢迎有意让其科学资源更易获取、更可复用的大学、联邦研究机构、国家实验室、非营利组织和其他研究组织。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此基础上继续构建的人和工具，同时产生关于大规模支持开放科学所需的基础设施和实践的实用证据。

本文提及的 Spaces 3

Protostar Challenge: Climate Risk Intelligence

管理竞赛注册、数据访问和提交

Introducing Carbon-X

用于 DNA 理解的最佳开放模型

Science on the Hub

Hub 上的科学模型和数据集，每日更新

来自我们博客的更多文章

Docmatix - 用于文档视觉问答的大型数据集

Introducing the Ettin Reranker Family