Hugging Face 于 2026 年 10 月 29 日发起 Project ProtoStar，联合多所高校与开放科学组织推动公共资助科研的数据、模型与代码以更易检索、机器可读和复用的形式开放，并通过公开挑战检验资源可用性。首场由卡内基梅隆大学主办的气候风险挑战将测试历史气象数据能否支持城市气候指标预测与政策建议，项目后续将继续通过挑战发现文档、互操作性与基础设施方面的障碍。
Hugging Face 于 2026 年 10 月 29 日宣布发起 Project ProtoStar，联合高校、科研机构及开放科学组织，推动公共资助科研产生的数据集、模型和代码以更易检索、理解和复用的形式开放。项目还计划通过公开挑战检验这些资源能否被研究者和开发者实际利用；首场气候风险挑战由卡内基梅隆大学（CMU）主办，定于 11 月 2 日至 13 日举行。
这是一项科研资源共享与基础设施合作的启动公告，而不是已经取得科学发现的报告。参与机构将通过谅解备忘录（MOU）确认合作，支持适合公开的科研数据、模型和代码以便于机器处理的格式发布。公告列出的创始合作方包括 CMU、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（GW）；这些高校通过 Open Forum for AI 参与。其他合作方包括 Astera Institute、提供基础设施的 Hugging Face，以及通过 Fostering Innovation Network 参与的 Open Research Community Accelerator（ORCA）。
开放不等于可复用
公共资助研究成果日益要求对外开放，但“公众能够访问”并不必然意味着资源可被他人有效利用。数据可能分散在不同机构系统，采用静态或旧式格式，也可能缺少解释字段含义、处理方式、来源与使用条件的文档。若元数据不足，研究者和自动化工具就难以判断数据适用范围、将其与其他资源结合，或准确复现已有工作。
美国国家科学基金会（NSF）对开放数据的说明也强调，开放不仅是提供下载：数据应当便于检索、机器可读，并有足够描述帮助使用者理解其优势、局限、处理过程和安全要求。Project ProtoStar 把这类问题置于 AI 科研工具日益依赖可发现、可处理数据的背景下，试图将开放发布、实用指导和公开挑战连接起来。项目的目标是改善科研资源的可用性；目前公开材料并未显示它改变了资助机构的既有政策或要求。
据 Hugging Face 公告，该平台截至 2026 年 10 月在若干科学领域托管超过 17,000 个公开数据集；若把医学和数学纳入统计，数量接近 29,000。公告还称，2026 年前九个月新增的科学数据集数量超过 2025 年同期的三倍。这些数字来自平台自身统计，反映的是 Hugging Face 上资源的规模与增长，并不能单独说明数据质量、跨平台覆盖程度或实际科研影响。
公告举例称，NCBI 在 Hugging Face 上维护的 18 个公开仓库累计下载量超过 1,100 万次，NASA IMPACT 的 27 个仓库约有 77 万次下载，统计截至 2026 年 10 月 26 日。下载量说明资源被获取的情况，但不等同于独立复现、科学引用或研究成果。对共享资源而言，清晰的文档和可追溯的来源信息同样重要；NSF 的开放数据原则也将充分描述、重用条件与机器可读性列为关键要求。
项目网页介绍的实施路径包括帮助机构发布数据集、模型权重、代码和文档，协助建立可持续且易发现的资源存放位置，并通过挑战、黑客松或竞赛观察资源如何被使用。页面同时指出，参与机构仍负责判断哪些材料适合开放，以及应以何种方式共享。因此，加入项目并不意味着所有科研材料都会公开，也不能据此推断受隐私、伦理、安全或许可限制的数据可以不经审查发布。
首场挑战检验气候数据能否支持实际任务
CMU 的 Climate Risk Intelligence 挑战围绕 210 座美国城市的历史天气记录展开。参与者将根据历史资料预测城市气候指标，并提出一项气候适应政策建议。Hugging Face 的公告列出四项预测指标：年平均气温、年降水总量、全年最热日和制冷度日（cooling degree days，即反映空调制冷需求的指标）。预测表现将与历史平均值、线性趋势等简单统计基线比较；政策建议则另行评估。
资料的预测时段存在一处需要留意的差异：Hugging Face 公告称，参赛者使用截至 2018 年的气候记录，预测 2019 至 2026 年的实际状况；项目页面则写为预测 2019 至 2025 年。两处公开说明并不完全一致，参赛者应以挑战规则和数据页面的最新说明为准。公告还表示，最终预测结果将在 2027 年初发布，待 2026 年完整天气记录可用后再行评估。
这项挑战的价值不在于预先证明 AI 能改善气候预测，而在于提供一个可以与简单基线对照的公开任务。即便某种方法在排行榜上取得较好表现，也需要结合数据覆盖、评估设计和适用场景理解；单次挑战结果本身不能证明模型可直接用于城市规划决策。政策建议与预测误差分开评估，也意味着技术预测表现和实际政策价值是不同问题。
ProtoStar 后续计划由其他参与机构陆续举办挑战，利用各自开放的科研资源，展示资源复用的实例，并发现文档、互操作性和基础设施方面的障碍。最终能否提高公共资助研究的复用率，仍要看后续发布的资源是否足够完整、许可是否清晰、挑战是否产生可复核的结果，以及机构能否长期维护这些资源。目前可以确认的是合作框架与首场挑战已经公布；科研成果和政策影响尚待后续验证。