Hugging Face 今日宣佈 Project ProtoStar，要將用納税人錢資助嘅科研產出轉成 AI-ready（機器可直接理解同操作）格式，令佢哋更好被發現、複用同再研發。首個挑戰由 Carnegie Mellon University 主辦，11 月 2 日開放報名。
發起方包括 Carnegie Mellon University、Purdue University、Georgia Tech、Arizona State University 同 George Washington University，透過 Open Forum for AI（OFAI）作大學聯盟夥伴；另有 Astera Institute、作基建夥伴嘅 Hugging Face，同經 Fostering Innovation Network 參與嘅 Open Research Community Accelerator（ORCA）。參加機構會簽署備忘錄，承諾將合適嘅科學數據、模型同代碼放上開放基建。想加入可以寫信去 [email protected]。
呢個嘅大背景係：美國聯邦政府每年喺研發（R&D）投約 1,900 億美元，政策面日益要求成果公開。NIH（美國國立衞生研究院）同 NSF（美國國家科學基金會）都收緊咗受資助研究嘅公眾存取要求，並要求研究人員就底層數據預留公開分享計劃；Hugging Face 就係 NIH 列名嘅十個綜合性數據存放庫之一。
但「公開」唔代表「可用」。科學數據、模型同代碼常常散落喺互唔相容嘅系統，或者舊格式，又或者缺文件、metadata（元數據）同來源資料，令後續研究者難承接，更難令 AI 系統跨學科理解同組裝。ProtoStar 正正想填呢個空隙，鼓勵系統性共享，並提供實務出版指引，做法參考咗 NCI（美國國家癌症研究所）嘅 AI 數據準備挑戰同 Hugging Face 嘅公共部門數據 AI 準備指引。
需求方面，Hugging Face 已托管超過 17,000 個跨核心科學領域嘅公開數據集，涵蓋基因組學、蛋白質設計、化學、天氣氣候、地球觀測同天文；加上醫學同數學後逼近 29,000 個。
模姐驗嚇貨。呢個唔係要新模型跑分，而係整條科研基建嘅「格式標準化」問題：公共錢出嘅產出，理應唔使靠個別 PI 嘅私人伺服器先見到。將分散嘅數據集中喺統一開放基建，並要求附 metadata 同 provenance，長遠有利於跨學科複用同可重現。但要留意，呢個係「voluntary 備忘錄」加「open challenges」，唔係強製法例；實際成效要看多幾多機構真係跟足指引，同挑戰嘅參與量同作品質素。
模姐｜深度調教
