Project ProtoStar egy új kezdeményezés, amely egyesíti az egyetemeket, kutatóintézeteket, ipari szereplőket és az open science közösséget azzal a céllal, hogy a közpénzből finanszírozott tudományos kutatás adatait, modelleit és kódját könnyebben felfedezhetővé, újrafelhasználhatóvá és AI‑baráttá tegye.
Kik állnak a projekt mögött
A kezdeményezés alapító partnerei között szerepelnek a Carnegie Mellon University, a Purdue University, a Georgia Institute of Technology, az Arizona State University és The George Washington University, amelyek az Open Forum for AI (OFAI) egyetemi koalícióján keresztül vesznek részt; az Astera Institute; a Hugging Face, mint infrastruktúra partner; valamint az Open Research Community Accelerator (ORCA) Fostering Innovation Networkje, mint közösségi partner. A részt vevő szervezetek részvételüket megállapodással formálják, amely támogatja a tudományos adatok, modellek és kód AI‑kész, nyílt infrastruktúrán történő közzétételét. A tagság iránt érdeklődő szervezetek a protostar@orcaopen.org címen jelentkezhetnek.
Miért van szükség erre
Az Egyesült Államok szövetségi kormánya évente hozzávetőlegesen 190 milliárd dollárt fordít kutatásra és fejlesztésre, és a szövetségi politikák egyre erőteljesebben várják el az eredmények nyilvános megosztását. Ügynökségek, mint a National Institutes of Health (NIH) és a National Science Foundation (NSF) szigorították a közösségi hozzáférésre vonatkozó követelményeket, és megkövetelik, hogy a kutatók tervezzék meg az adatok megosztását. A Hugging Face a NIH által felsorolt tíz általános adattár közé tartozik, amelyet kutatási adatok megosztására ajánlanak.
Azonban a kutatások nyilvánossá tétele önmagában nem garantálja a használhatóságot. A tudományos adatkészletek, modellek és forráskódok gyakran különböző, inkompatibilis rendszerekben találhatók, statikus vagy elavult formátumban tárolódnak, vagy hiányzik róluk a szükséges dokumentáció, metaadat és provenance információ. Ezek a korlátok megnehezítik, hogy más kutatók vagy AI‑rendszerek felfedezzék, értelmezzék és kombinálják a forrásokat tudományterületek között.
Project ProtoStar célja ezért, hogy ösztönözze a közpénzből finanszírozott tudományos anyagok rendszerszerű megosztását AI‑kész formátumokban, nyílt infrastruktúra és gyakorlati publikálási útmutatás támogatásával. A kezdeményezés támaszkodik korábbi erőfeszítésekre, például a National Cancer Institute AI Data‑Readiness Challenge‑jára és a Hugging Face útmutatójára a közszféra adatainak AI‑hez való előkészítéséhez. A cél, hogy a kutatóintézetek könnyebben megfelelhessenek a meglévő nyilvános hozzáférési elvárásoknak, miközben növekszik a kiadott munkák tudományos értéke.
Mekkora a kereslet a felhasználható tudományos erőforrások iránt?
A kereslet már most is jelentős. A Hugging Face több mint 17 000 nyilvános adatkészletet tárol alapvető tudományos területeken—ide tartozik a genomika, fehérjetervezés, kémia, időjárás és éghajlat, földmegfigyelés és csillagászat. Ha a munkát és a matematikát is beleszámítjuk, ez a szám megközelíti a 29 000‑et, hasonló nagyságrendű tudományos modellekkel együtt.
A megosztás üteme is gyorsul: a kutatók 2026 első kilenc hónapjában több mint háromszor annyi új tudományos adatkészletet töltöttek fel a Hugging Face‑re, mint 2025 azonos időszakában, és a növekedés jelentős maradt még akkor is, ha kizárták a legnagyobb egyedi feltöltőt.
Amikor szervezetek újrafelhasználható formátumban osztanak meg anyagokat, a tudományos közösség nagy léptékben tud építeni azokra. Például a NIH National Center for Biotechnology Information (NCBI) által a Hugging Face‑en fenntartott 18 nyilvános adattár összesen több mint 11 millió letöltést ért el, míg a NASA IMPACT 27 tárolója mintegy 770 000 letöltést kapott (2026. október 26‑i állapot). A dokumentáció szerepe is kulcsfontosságú: a Hugging Face‑en a letöltések 90%-a teljesen dokumentált adatkészletekről történik.
A nyíltan elérhető genomikai adatok már bizonyítottan hozzájárultak további tudományos előrelépésekhez; a Hugging Face kutatói is építettek nyílt erőforrásokra, például a HuggingFaceBio által közzétett Carbon‑A és Carbon‑X kimenetekre. Az ilyen közzétételek és az eredményként létrejövő modellek, adatkészletek és eszközök nyílt megosztása megmutatja, hogyan támogatják a meglévő tudományos erőforrások az új kutatásokat.
Carnegie Mellon University jó példát mutat: az egyetem Open Source Programs Office‑ja arra biztatja kutatóit, hogy megfelelő adatkészleteket, AI modelleket és más kutatási eredményeket osszanak meg a Hugging Face‑en, miközben elismeri a domain‑specifikus adattárak továbbra is fontos szerepét.
Nyílt tudományos kihívások: mit szeretne elérni a ProtoStar?
Az AI‑kész formátumokba helyezés fontos első lépés, de a ProtoStar célja az is, hogy bemutassa, mit képes elérni a kutatói, fejlesztői és szélesebb tudományos közösség, ha ezen erőforrások újrafelhasználásra készek. A központi kérdés így hangzik: képesek‑e a közpénzből finanszírozott tudományos adatkészletek, modellek és kód AI‑kész formátumban gyorsan felfedezhetők, újrafelhasználhatók, kombinálhatók és kiterjeszthetők úgy, hogy ez felgyorsítsa a tudományos felfedezést és a közhasznot?
Ennek vizsgálatára a ProtoStar sorozatos nyílt kihívásokat szervez, amelyek mindegyikét egy résztvevő intézmény rendezi és egy, az intézmény által nyíltan közzétett tudományos erőforrás köré épül. A kihívások két célkitűzést szolgálnak:
- Tudományos újrafelhasználás demonstrálása: konkrét példák előállítása arra, hogy kutatók és fejlesztők hogyan építenek közpénzből finanszírozott tudományos artefaktumokra, beleértve az intézmények és tudományterületek közötti kombinált alkalmazásokat.
- Az újrafelhasználást lehetővé tevő feltételek feltárása: a technikai akadályok, dokumentációs hiányosságok, interoperabilitási problémák és sikeres gyakorlatok azonosítása, amelyek informálhatják a jövőbeni kutatási infrastruktúrát, finanszírozási döntéseket és közpolitikákat.
A projektek és a levont tanulságok gyakorlati bizonyítékot szolgáltatnak majd arról, milyen infrastruktúra és gyakorlatok szükségesek ahhoz, hogy a közpénzből finanszírozott tudomány széles körben hasznosuljon.
Az első kihívás: Climate Risk Intelligence
- Rendező: Carnegie Mellon University
- Időpont: 2026. november 2–13.
Az első ProtoStar kihívás arra hívja a résztvevőket, hogy teszteljék, az AI javíthat‑e a városi klímakörülmények előrejelzésén, 210 amerikai város történelmi időjárási adataira építve. A Carnegie Mellon University kutatására alapozva a csapatok 2018‑ig terjedő éghajlati feljegyzéseket használva készítenek előrejelzéseket a 2019–2026 közötti tényleges feltételekre, így a modelleket a megfigyelt időjárat alapján lehet értékelni.
A résztvevők négy, várostervezés szempontjából fontos mutatót jósolnak: éves átlaghőmérséklet, éves összes csapadékmennyiség, az év legmelegebb napja és a hűtési foknapok száma (a légkondicionálás iránti igény mérőszáma). Az előrejelzéseket egyszerű statisztikai alapvonalakkal — történelmi átlagokkal és lineáris trendekkel — hasonlítják össze, hogy megállapítsák, nyújtanak‑e az AI‑megközelítések lényeges pontosságnövekedést.
Az előrejelzésen túl a csapatok rövid klímaadaptációs politikajavaslatot is benyújtanak, amelyet az adatfeldolgozás során szerzett tapasztalataik inspirálnak. Ez a komponens ösztönzi a tudományos elemzés és a gyakorlati közhaszon összekapcsolását, például a városok szélsőséges hőhullámokra történő felkészítésében, az energiahatékonyság javításában vagy a változó csapadékeloszlás kezelésében.
A csapatok egy Hugging Face adatkészletet nyújtanak be ezekkel a kimenetekkel. Az előrejelzési teljesítményt egy nyilvános ranglistán mérik, amely a predikciós hibákat hasonlítja össze az alapvonalakkal; a politikai javaslatok külön értékelést kapnak. A végleges előrejelzési eredményeket 2027 elején teszik közzé, amikor a 2026-os év teljes időjárási adatai rendelkezésre állnak.
A CMU kihívás az első a sorozatban; a többi résztvevő intézmény egymás után fogja megrendezni a saját kihívását, amelyek mind a közpénzből finanszírozott, nyíltan elérhető tudományos erőforrások különböző lehetőségeit és újrafelhasználási módjait mutatják be. A későbbi kihívásokról a Project ProtoStar oldalán a Hugging Face‑en tájékoztatnak.
Hogyan lehet részt venni
ProtoStar nyitott mindazon egyetemi kutatók, hallgatók, független fejlesztők és vállalatok számára, akik nyílt tudományos infrastruktúrán alapuló megoldásokat fejlesztenek. A kezdeményezés várja továbbá egyetemek, szövetségi kutatóügynökségek, nemzeti laboratóriumok, nonprofitok és más kutató szervezetek jelentkezését is.
Részvétel vagy együttműködés iránt érdeklődők a protostar@orcaopen.org címen léphetnek kapcsolatba.
A ProtoStar reménye szerint megkönnyíti majd, hogy a közpénzből finanszírozott tudományos munka eljusson azokhoz az emberekhez és eszközökhöz, amelyek építeni tudnak rá, egyúttal gyakorlati bizonyítékot szolgáltat arról, milyen infrastruktúra és gyakorlatok támogatják az AI‑alkalmas nyílt tudományt széles körben.
