米国の納税者は年間約1,900億ドルの研究開発費を負担しており、連邦機関は、その成果である論文やデータの公開をますます求めるようになっています。しかし、公開されていることと使えることは別です。データセットは古い形式のまま各地のサーバーに散らばり、研究者やAIシステムが理解するのに必要な説明資料を欠いていることも少なくありません。Hugging Faceのブログで発表されたProject ProtoStarは、この溝を埋めようとする試みで、科学データでモデルを学習・微調整するすべての人に関係します。
創設パートナーは、Open Forum for AI連合を通じて参加するCarnegie Mellon、Purdue、Georgia Tech、Arizona State、George Washingtonの5大学に加え、Astera Institute、コミュニティパートナーのOpen Research Community Accelerator、インフラパートナーのHugging Faceです。参加機関は覚書に署名し、適切なデータセット、モデル、コードを機械可読な形式でオープンなインフラ上に公開することを約束します。最も踏み込んでいるのはCarnegie Mellonで、研究者にHugging Faceでの公開を勧めつつ、より適している場合は専門リポジトリも引き続き使うという方針を定めました。
プロジェクトの主張はHubの利用データに支えられています。Hugging Faceによれば、ゲノミクス、化学、気候、天文学などの分野で17,000件を超える公開科学データセットをホストしており、医学と数学を含めると29,000件近くになります。また2026年の最初の9か月に共有された新しい科学データセットは、2025年の同期間の3倍を超えたといいます。米国のNational Center for Biotechnology Informationの18のリポジトリは、ダウンロード数が1,100万回を超えました。Hugging Faceはさらに、データセットのダウンロードの90%が完全に文書化されたデータセットに集中していると報告しており、これはProtoStarが求める文書化の手間を正当化する最も強い論拠です。
最初の試みは、Carnegie Mellonが11月2日から13日まで開催するチャレンジです。参加チームは米国210都市の2018年までの気象記録を受け取り、2019年から2026年までの平均気温、降水量、年間で最も暑い日、冷房需要という4つの指標を予測します。提出物は過去の平均や直線的な傾向といった単純な基準と比べて評価され、チームは短い気候適応策も提案します。最終結果は2026年の記録がそろった後の2027年初めに出ます。以降のチャレンジは他の大学が順番に主催します。
明らかな利害もあります。当サイトがオープンなモデルとデータセットの主要な拠点としてレビューしているHugging Faceは、公的な科学が自社のプラットフォームで公開されれば得をします。また約束の拘束力は弱いものです。覚書は誰にも予算を義務づけず、2週間の予測コンテストでわかるのはデータを再利用できるかどうかであって、大学が公開の仕方を変えるかどうかではありません。意味のある指標は、1年後もパートナー機関が文書化されたデータセットを公開し続けているかどうかでしょう。