Масштаб проблемы: $190 млрд инвестиций в тупик
США ежегодно инвестируют около $190 млрд в исследования и разработки. Несмотря на ужесточение требований NIH и NSF к открытому доступу, научные артефакты (данные, модели, код) часто остаются «мертвым грузом» из-за несовместимых форматов, отсутствия метаданных и документации. Это блокирует возможность AI-систем эффективно искать, интерпретировать и комбинировать ресурсы между дисциплинами.
Решение: Project ProtoStar
Запущенная 29 октября 2026 года инициатива Project ProtoStar объединяет усилия для перевода публично финансируемой науки в формат AI-ready (готовый для машинной обработки). Проект опирается на инфраструктуру Hugging Face и политику открытых данных.
Ключевые партнеры:
- Академический блок (OFAI): Carnegie Mellon University, Purdue University, Georgia Tech, Arizona State University, George Washington University.
- Инфраструктура: Hugging Face, Astera Institute.
- Сообщество: Open Research Community Accelerator (ORCA).
Доказательства эффективности: цифры Hugging Face
Потребность в переформатировании данных подтверждается статистикой платформы. За первые 9 месяцев 2026 года количество новых научных датасетов на Hugging Face выросло в 3 раза по сравнению с аналогичным периодом 2025 года. Важность качественной документации подчеркивает тот факт, что 90% загрузок датасетов происходит с ресурсов, имеющих полную документацию.
| Организация / Ресурс | Количество репозиториев | Количество загрузок | Примечание |
|---|---|---|---|
| NCBI (NIH) | 18 | > 11 000 000 | Биомедицинские данные |
| NASA IMPACT | 27 | ~ 770 000 | Данные наблюдений за Землей |
| Всего научных датасетов | > 17 000 | — | Без учета медицины и математики |
Первый вызов: Climate Risk Intelligence
Старт первого хакатона назначен на 2–13 ноября 2026 года. Организатором выступает Carnegie Mellon University. Задача участников — использовать исторические погодные данные 210 городов США (до 2018 года) для прогнозирования фактических условий 2019–2026 годов.
Команды должны предсказать четыре ключевых показателя для городского планирования:
- Среднегодовая температура.
- Общее годовое количество осадков.
- Самый жаркий день года.
- Количество дней охлаждения (спрос на кондиционирование).
Результаты будут сравниваться не с гипотетическими сценариями, а с реальными наблюдаемыми данными, что позволит оценить практическую ценность AI-моделей в климатическом моделировании.
Источник: Hugging Face blog ↗