Os contribuintes americanos financiam cerca de US$ 190 bilhões em pesquisa e desenvolvimento por ano, e as agências federais exigem cada vez mais que os artigos e dados resultantes se tornem públicos. Público não é o mesmo que utilizável. Conjuntos de dados ficam em formatos antigos espalhados por servidores diversos, muitas vezes sem a documentação de que um pesquisador ou um sistema de IA precisa para entendê-los. O Project ProtoStar, anunciado no blog da Hugging Face, tenta fechar essa lacuna, e isso interessa a qualquer um que treine ou ajuste modelos com dados científicos.
Os parceiros fundadores são cinco universidades, Carnegie Mellon, Purdue, Georgia Tech, Arizona State e George Washington, que atuam pela coalizão Open Forum for AI, além do Astera Institute, do Open Research Community Accelerator como parceiro comunitário e da Hugging Face como parceira de infraestrutura. Os membros assinam um memorando de entendimento em que se comprometem a publicar conjuntos de dados, modelos e código adequados em formatos legíveis por máquina, em infraestrutura aberta. A Carnegie Mellon foi a mais longe, com uma política que incentiva seus pesquisadores a publicar na Hugging Face sem deixar de usar repositórios especializados quando eles fizerem mais sentido.
O argumento do projeto se apoia em números de uso do Hub. A Hugging Face diz hospedar mais de 17.000 conjuntos de dados científicos públicos em áreas como genômica, química, clima e astronomia, perto de 29.000 contando medicina e matemática, e que nos primeiros nove meses de 2026 foram compartilhados mais de três vezes mais conjuntos de dados científicos novos do que no mesmo período de 2025. Os 18 repositórios do National Center for Biotechnology Information dos Estados Unidos passaram de 11 milhões de downloads. A Hugging Face também relata que 90% dos downloads de conjuntos de dados vão para conjuntos totalmente documentados, o argumento mais forte a favor da papelada que o ProtoStar pede.
O primeiro teste é um desafio organizado pela Carnegie Mellon de 2 a 13 de novembro. As equipes recebem dados históricos do clima de 210 cidades americanas até 2018 e precisam prever quatro medidas para 2019 a 2026: temperatura média, chuva, o dia mais quente do ano e a demanda por refrigeração. As entregas são avaliadas contra referências simples, como médias históricas e tendências lineares, e as equipes também propõem uma breve política de adaptação climática. Os resultados finais saem no início de 2027, quando os registros completos de 2026 estiverem disponíveis. Os próximos desafios serão organizados, um de cada vez, pelas outras universidades.
Há um interesse óbvio em jogo: a Hugging Face, que analisamos como o principal hub de modelos e conjuntos de dados abertos, ganha se a ciência pública for publicada na plataforma dela. Os compromissos também são frouxos. Um memorando não obriga ninguém a destinar orçamento, e uma competição de previsão de duas semanas vai mostrar se os dados podem ser reutilizados, não se as universidades mudam a forma de publicar. A medida útil será ver se as instituições parceiras ainda estarão publicando conjuntos de dados documentados daqui a um ano.