US-Steuerzahler finanzieren jährlich rund 190 Milliarden Dollar an Forschung und Entwicklung, und Bundesbehörden verlangen zunehmend, dass die daraus entstehenden Aufsätze und Daten öffentlich werden. Öffentlich heißt aber nicht nutzbar. Datensätze liegen in alten Formaten auf verstreuten Servern, oft ohne die Dokumentation, die Forschende oder ein KI-System brauchen, um sie zu verstehen. Project ProtoStar, angekündigt im Blog von Hugging Face, will diese Lücke schließen, und das betrifft jeden, der Modelle mit wissenschaftlichen Daten trainiert oder feintunt.
Gründungspartner sind fünf Universitäten, Carnegie Mellon, Purdue, Georgia Tech, Arizona State und George Washington, die über die Koalition Open Forum for AI zusammenarbeiten, dazu das Astera Institute, der Open Research Community Accelerator als Community-Partner und Hugging Face als Infrastrukturpartner. Mitglieder unterzeichnen eine Absichtserklärung, geeignete Datensätze, Modelle und Code in maschinenlesbaren Formaten auf offener Infrastruktur zu veröffentlichen. Am weitesten ist Carnegie Mellon gegangen, mit einer Richtlinie, die Forschende ermutigt, auf Hugging Face zu veröffentlichen, aber weiterhin Fachrepositorien zu nutzen, wo diese besser passen.
Das Argument des Projekts stützt sich auf Nutzungszahlen des Hubs. Hugging Face gibt an, mehr als 17.000 öffentliche wissenschaftliche Datensätze aus Feldern wie Genomik, Chemie, Klima und Astronomie zu hosten, knapp 29.000 mit Medizin und Mathematik, und dass in den ersten neun Monaten 2026 mehr als dreimal so viele neue wissenschaftliche Datensätze geteilt wurden wie im selben Zeitraum 2025. Die 18 Repositorien des US-amerikanischen National Center for Biotechnology Information haben mehr als 11 Millionen Downloads. Hugging Face berichtet außerdem, dass 90% der Datensatz-Downloads auf vollständig dokumentierte Datensätze entfallen, das stärkste Argument für den Dokumentationsaufwand, den ProtoStar verlangt.
Der erste Test ist eine Challenge, die Carnegie Mellon vom 2. bis 13. November ausrichtet. Teams erhalten historische Wetterdaten für 210 US-Städte bis 2018 und sollen vier Größen für 2019 bis 2026 vorhersagen: Durchschnittstemperatur, Niederschlag, den heißesten Tag des Jahres und den Kühlbedarf. Die Beiträge werden an einfachen Vergleichswerten wie historischen Mittelwerten und linearen Trends gemessen, und die Teams schlagen zusätzlich eine kurze Maßnahme zur Klimaanpassung vor. Endgültige Ergebnisse folgen Anfang 2027, wenn die vollständigen Daten für 2026 vorliegen. Weitere Challenges richten die anderen Universitäten nacheinander aus.
Ein offensichtliches Eigeninteresse ist im Spiel: Hugging Face, das wir als zentrale Plattform für offene Modelle und Datensätze besprechen, profitiert, wenn öffentliche Wissenschaft auf seiner Plattform erscheint. Die Zusagen sind zudem weich. Eine Absichtserklärung verpflichtet niemanden zu einem Budget, und ein zweiwöchiger Prognosewettbewerb zeigt, ob sich die Daten wiederverwenden lassen, nicht ob Universitäten ihre Veröffentlichungspraxis ändern. Der sinnvolle Maßstab wird sein, ob die Partnerinstitutionen in einem Jahr noch dokumentierte Datensätze veröffentlichen.