科研数据存量巨大。大学、政府机构和实验室花了几十年收集这些数据，覆盖范围从气候变化到人体生物学。其中很大一部分是公开可得的。但公开并不等于其他研究者就能方便地用起来。有时候，仅仅把数据整理成可用的形式，就要耗费大量工作。而随着 AI 越来越多地被用于科研，这构成了新的挑战。
Hugging Face 想在这方面做点事。上周，发布了 ProtoStar （原恒星）项目：一项旨在让公共资金支持的科研数据集、模型和代码更容易被找到、理解和复用的计划。项目合作方包括卡内基梅隆大学、Astera Institute、Open Research Community Accelerator（ORCA）以及其他学术与研究机构。目标是推动各机构以这样一种方式共享研究，让别人能直接拿来用。这包括那些使用 AI 的研究者，他们往往需要把来自多个不同来源的数据整合到一起。
问题之一是，每家机构都有自己的做事方式。数据可能以不同的格式存储，也可能缺少足够的说明信息来解释它到底包含什么。有时数据分散在多个存储库里，研究者得先把所有碎片都找齐，才能开始工作。
AI 也无法真正绕过这些问题。一个模型或许能扫过数百万条记录，但如果数据本身一团糟，或者缺少足够的信息说明其含义，它能做的也就有限。
而数据还在持续涌入。Hugging Face 表示，其平台目前托管了超过 17000 个公开科研数据集。事实上，2026 年前九个月新上传的数据集数量，是去年同期三倍以上。随着可获取的科研数据越来越多，问题变成：研究者实际能真正用起来的比例有多大。
把科研数据整理到可供 AI 使用的状态，需要相当多的工作。要理解这份投入有多大，可以想想气候数据。你可能有成千上万、甚至上百万条气温读数，但大量问题仍无答案：这些数字究竟说明了什么？它们是在哪里记录的？用的是什么单位？测量方式是否一致？
在宣布 ProtoStar 的博客文章中，Hugging Face 写道：“科研结果的公开获取渠道正在扩大，但数据仍然分散……关于‘面向 AI 的科研’存在哪些障碍的研究显示，这些障碍既是制度性的，也是技术性的：数据整备需要更好的工具、支持和激励。”
ProtoStar 希望让其中一部分变得容易些。参与机构将着手以其他研究者可直接使用的方式共享其数据集、模型和代码，而不必让人从零开始摸索。Hugging Face 本身已经提供托管这些材料的平台，所以基础设施已经具备一部分。更繁重的任务，是把研究本身整理成更可用的形态。
该项目还计划举办一系列开放挑战赛，让研究者用这些共享资源动手尝试，看看实际能做出什么。
这些事并不全然是新的。多年来，科学家一直在应对混乱的数据集、缺失的文档和不兼容的系统。ProtoStar不会让这些问题一夜消失，但它可能帮助各机构在这些问题上取得一些进展。
ProtoStar 的首个挑战赛应该能让组织者拿到一些具体的东西去推进。卡内基梅隆大学将于 11 月 2 日至 13 日主办 Climate Risk Intelligence挑战赛，把参与者聚集起来分析美国210 个城市的历史气象记录。
参与者将使用截至 2018 年的数据，尝试预测 2019 年至 2026 年的状况。任务涵盖年度气温、降水量、每年最热一天以及制冷度日。他们的结果将与实际观测值比对，并与基础统计方法（包括历史均值和线性趋势）进行比较。
这个测试有意思的地方在于，被预测的时间段大部分已经有实际真实记录。因此可以对比看出，更复杂的 AI 方法是否真的优于更简单的方法。
不过，预测结果并不能说明全部问题。ProtoStar 同样关心的是：参与者在使用这些公开资源时，会不会撞上那些老问题——文档、格式和数据质量。
项目并不保证能解决这些问题。整理科研数据集需要时间和专业能力，而不同研究领域的要求差异极大。卡内基梅隆大学的这次挑战赛会是一个很好的检验。该校打算记录参与者遇到的具体障碍以及可以改进的地方。对 ProtoStar 而言，这些发现可能成为第一个重要信号，用来判断这套做法能否走出单一的气候挑战、推广到更广的范围。
