A Hugging Face anunciou o Project ProtoStar, uma iniciativa que pretende tornar mais acessíveis e reutilizáveis os conjuntos de dados, modelos e código da investigação financiada com recursos públicos, sobretudo a investigação conduzida com IA. Segundo o anúncio, a iniciativa reúne instituições de investigação, empresas e a comunidade de ciência aberta para apoiar a publicação de artefactos científicos em formatos prontos para IA e legíveis por máquinas, demonstrados através de uma série de desafios abertos. O primeiro desafio, organizado pela Carnegie Mellon University, abre a 2 de novembro.
Entre os parceiros fundadores estão Carnegie Mellon University, Purdue University, Georgia Institute of Technology, Arizona State University e The George Washington University, que participam através do Open Forum for AI como parceiro da coalizão universitária. Completam o grupo o Astera Institute, a Hugging Face, como parceira de infraestrutura, e a Open Research Community Accelerator (ORCA), através da sua Fostering Innovation Network, como parceira comunitária. As organizações interessadas formalizam a adesão através de um memorando de entendimento e podem contactar [email protected].
O contexto é o do investimento público em investigação. Segundo o texto, o governo federal dos Estados Unidos investe cerca de 190 mil milhões de dólares por ano em I&D, e a política federal espera cada vez mais que os resultados sejam partilhados publicamente. Os NIH e a NSF reforçaram os requisitos de acesso aberto às publicações e exigem que os investigadores planeiem a partilha dos dados subjacentes. Ainda assim, o anúncio sublinha que disponibilizar não equivale a tornar utilizável, porque muitos recursos estão dispersos por sistemas incompatíveis, guardados em formatos estáticos ou antigos, ou publicados sem documentação, metadados e proveniência suficientes.
A iniciativa baseia-se em esforços como o AI Data-Readiness Challenge do National Cancer Institute e no guia da Hugging Face para preparar dados do setor público para IA. Segundo a empresa, a Hugging Face aloja mais de 17.000 conjuntos de dados públicos em domínios científicos centrais, como genómica, design de proteínas, química, meteorologia e clima, observação da Terra e astronomia, número que se aproxima de 29.000 quando se incluem medicina e matemática. Os investigadores partilharam, nos primeiros nove meses de 2026, mais de três vezes mais novos conjuntos de dados científicos do que no mesmo período de 2025.
Os números de utilização citados provêm do próprio anúncio. Os 18 repositórios mantidos pelo NCBI do NIH na Hugging Face receberam, em conjunto, mais de 11 milhões de transferências, e os 27 repositórios da NASA IMPACT cerca de 770.000, valores referidos a 26 de outubro de 2026. O texto indica ainda que 90% das transferências de conjuntos de dados são de conjuntos totalmente documentados, e refere os lançamentos abertos da HuggingFaceBio, como Carbon-A e Carbon-X, sem detalhar resultados científicos dessas iniciativas.
Porque importa
O anúncio sustenta que disponibilizar resultados publicamente não basta: sem formatos adequados, documentação, metadados e proveniência, os recursos científicos são mais difíceis de reutilizar por outros investigadores e por sistemas de IA. A iniciativa procura responder a este problema concreto, complementando as políticas de acesso aberto já existentes nos Estados Unidos.