Les contribuables américains financent environ 190 milliards de dollars de recherche et développement par an, et les agences fédérales exigent de plus en plus que les articles et les données qui en résultent soient rendus publics. Public ne veut pas dire utilisable. Les jeux de données dorment dans d'anciens formats sur des serveurs épars, souvent sans la documentation dont un chercheur ou un système d'IA a besoin pour les comprendre. Project ProtoStar, annoncé sur le blog de Hugging Face, tente de combler ce fossé, et cela concerne quiconque entraîne ou affine des modèles sur des données scientifiques.
Les partenaires fondateurs sont cinq universités, Carnegie Mellon, Purdue, Georgia Tech, Arizona State et George Washington, réunies au sein de la coalition Open Forum for AI, avec l'Astera Institute, l'Open Research Community Accelerator comme partenaire communautaire et Hugging Face comme partenaire d'infrastructure. Les membres signent un protocole d'accord par lequel ils s'engagent à publier des jeux de données, modèles et codes adaptés dans des formats lisibles par machine, sur une infrastructure ouverte. Carnegie Mellon est allée le plus loin, avec une politique qui encourage ses chercheurs à publier sur Hugging Face tout en continuant d'utiliser les dépôts spécialisés quand ils conviennent mieux.
L'argumentaire du projet repose sur des chiffres d'usage du Hub. Hugging Face dit héberger plus de 17 000 jeux de données scientifiques publics dans des domaines comme la génomique, la chimie, le climat et l'astronomie, près de 29 000 en comptant la médecine et les mathématiques, et indique que plus de trois fois plus de nouveaux jeux de données scientifiques ont été partagés au cours des neuf premiers mois de 2026 que sur la même période de 2025. Les 18 dépôts du National Center for Biotechnology Information américain dépassent 11 millions de téléchargements. Hugging Face signale aussi que 90% des téléchargements de jeux de données portent sur des jeux entièrement documentés, l'argument le plus solide en faveur du travail de documentation que demande ProtoStar.
Le premier test est un défi organisé par Carnegie Mellon du 2 au 13 novembre. Les équipes reçoivent l'historique météo de 210 villes américaines jusqu'en 2018 et doivent prévoir quatre mesures pour 2019 à 2026 : la température moyenne, les précipitations, le jour le plus chaud de l'année et les besoins en climatisation. Les propositions sont notées par rapport à des références simples, comme les moyennes historiques et les tendances linéaires, et les équipes proposent aussi une courte mesure d'adaptation au climat. Les résultats définitifs arriveront début 2027, une fois les relevés complets de 2026 disponibles. Les défis suivants seront organisés à tour de rôle par les autres universités.
Un intérêt évident est en jeu : Hugging Face, que nous analysons comme la principale plateforme de modèles et de jeux de données ouverts, a tout à gagner si la science publique est publiée chez lui. Les engagements sont en outre peu contraignants. Un protocole d'accord n'impose aucun budget, et un concours de prévision de deux semaines montrera si les données sont réutilisables, pas si les universités changent leur manière de publier. Le bon indicateur sera de voir si les institutions partenaires publient encore des jeux de données documentés dans un an.