미국 납세자들은 매년 약 1,900억 달러의 연구개발 비용을 대고 있으며, 연방 기관들은 그 결과물인 논문과 데이터를 공개하라고 점점 더 요구합니다. 하지만 공개되었다고 해서 쓸 수 있는 것은 아닙니다. 데이터셋은 여기저기 흩어진 서버에 오래된 형식으로 놓여 있고, 연구자나 AI 시스템이 이해하는 데 필요한 문서가 없는 경우도 많습니다. Hugging Face 블로그에서 발표된 Project ProtoStar는 이 간극을 메우려는 시도이며, 과학 데이터로 모델을 학습하거나 미세 조정하는 모든 사람과 관련이 있습니다.
창립 파트너는 Open Forum for AI 연합을 통해 참여하는 Carnegie Mellon, Purdue, Georgia Tech, Arizona State, George Washington 등 5개 대학과 Astera Institute, 커뮤니티 파트너인 Open Research Community Accelerator, 인프라 파트너인 Hugging Face입니다. 참여 기관은 양해각서에 서명하고 적합한 데이터셋, 모델, 코드를 기계가 읽을 수 있는 형식으로 개방형 인프라에 공개하기로 약속합니다. 가장 적극적인 곳은 Carnegie Mellon으로, 연구자들에게 Hugging Face에 공개하도록 권장하되 더 적합한 경우에는 전문 저장소도 계속 쓰도록 하는 정책을 마련했습니다.
이 프로젝트의 논리는 Hub의 사용 수치에 기대고 있습니다. Hugging Face는 유전체학, 화학, 기후, 천문학 등의 분야에서 17,000개가 넘는 공개 과학 데이터셋을 호스팅하고 있으며, 의학과 수학을 포함하면 29,000개에 가깝다고 밝힙니다. 또한 2026년 첫 9개월 동안 공유된 새 과학 데이터셋은 2025년 같은 기간의 세 배가 넘었다고 합니다. 미국 National Center for Biotechnology Information의 18개 저장소는 다운로드 수가 1,100만 회를 넘었습니다. Hugging Face는 데이터셋 다운로드의 90%가 문서화가 완전한 데이터셋에서 나온다고도 밝히는데, 이는 ProtoStar가 요구하는 문서화 작업을 뒷받침하는 가장 강력한 근거입니다.
첫 시험대는 Carnegie Mellon이 11월 2일부터 13일까지 여는 챌린지입니다. 참가 팀은 미국 210개 도시의 2018년까지 기상 기록을 받아 2019년부터 2026년까지의 평균 기온, 강수량, 연중 가장 더운 날, 냉방 수요 등 네 가지 지표를 예측해야 합니다. 제출물은 과거 평균이나 직선 추세 같은 단순한 기준과 비교해 평가되며, 팀들은 짧은 기후 적응 정책도 제안합니다. 최종 결과는 2026년 기록이 모두 나온 뒤인 2027년 초에 발표됩니다. 이후 챌린지는 다른 대학들이 차례로 주최합니다.
분명한 이해관계도 있습니다. 저희가 개방형 모델과 데이터셋의 주요 허브로 리뷰하는 Hugging Face는 공공 과학이 자사 플랫폼에 공개될수록 이득을 봅니다. 약속의 구속력도 약합니다. 양해각서는 누구에게도 예산을 의무화하지 않으며, 2주짜리 예측 대회는 데이터를 재사용할 수 있는지를 보여 줄 뿐 대학이 공개 방식을 바꾸는지는 보여 주지 못합니다. 의미 있는 척도는 1년 뒤에도 파트너 기관들이 문서화된 데이터셋을 계속 공개하고 있느냐일 것입니다.