Los contribuyentes estadounidenses financian unos 190.000 millones de dólares de investigación y desarrollo al año, y las agencias federales exigen cada vez más que los artículos y datos resultantes se hagan públicos. Público no es lo mismo que utilizable. Los conjuntos de datos están en formatos antiguos repartidos por servidores dispersos, a menudo sin la documentación que un investigador o un sistema de IA necesita para entenderlos. Project ProtoStar, anunciado en el blog de Hugging Face, intenta cerrar esa brecha, y le importa a cualquiera que entrene o ajuste modelos con datos científicos.
Los socios fundadores son cinco universidades, Carnegie Mellon, Purdue, Georgia Tech, Arizona State y George Washington, que trabajan a través de la coalición Open Forum for AI, junto con el Astera Institute, el Open Research Community Accelerator como socio comunitario y Hugging Face como socio de infraestructura. Los miembros firman un memorando de entendimiento por el que se comprometen a publicar conjuntos de datos, modelos y código adecuados en formatos legibles por máquinas y en infraestructura abierta. Carnegie Mellon es la que más ha avanzado, con una política que anima a sus investigadores a publicar en Hugging Face sin dejar de usar repositorios especializados cuando encajan mejor.
El argumento del proyecto se apoya en cifras de uso del Hub. Hugging Face dice que aloja más de 17.000 conjuntos de datos científicos públicos en campos como la genómica, la química, el clima y la astronomía, cerca de 29.000 si se cuentan la medicina y las matemáticas, y que en los nueve primeros meses de 2026 se compartieron más del triple de conjuntos de datos científicos nuevos que en el mismo periodo de 2025. Los 18 repositorios del National Center for Biotechnology Information de Estados Unidos superan los 11 millones de descargas. Hugging Face también indica que el 90% de las descargas de conjuntos de datos corresponden a conjuntos totalmente documentados, el argumento más sólido a favor del papeleo que pide ProtoStar.
La primera prueba es un desafío organizado por Carnegie Mellon del 2 al 13 de noviembre. Los equipos reciben el historial meteorológico de 210 ciudades de Estados Unidos hasta 2018 y deben pronosticar cuatro medidas para 2019 a 2026: temperatura media, precipitación, el día más caluroso del año y la demanda de refrigeración. Las propuestas se puntúan frente a referencias sencillas, como las medias históricas y las tendencias lineales, y los equipos proponen además una breve política de adaptación climática. Los resultados finales llegarán a principios de 2027, cuando existan los registros completos de 2026. Los siguientes desafíos los organizarán por turnos las demás universidades.
Hay un interés evidente en juego: Hugging Face, que analizamos como el principal punto de encuentro de modelos y conjuntos de datos abiertos, sale ganando si la ciencia pública se publica en su plataforma. Los compromisos son además blandos. Un memorando no obliga a nadie a asignar presupuesto, y un concurso de pronósticos de dos semanas mostrará si los datos se pueden reutilizar, no si las universidades cambian su forma de publicar. La medida útil será si las instituciones socias siguen publicando conjuntos de datos documentados dentro de un año.