Le projet ProtoStar est une nouvelle initiative qui rassemble des universités, des organisations de recherche, l'industrie et la communauté de la science ouverte afin de rendre la recherche scientifique financée par des fonds publics plus facile à découvrir, à réutiliser et à développer. Le projet cible spécifiquement la publication d'ensembles de données, de modèles et de code dans des formats prêts pour l'IA et exploitables par les machines, afin de débloquer leur potentiel pour une recherche pilotée par l'intelligence artificielle. Les partenaires fondateurs incluent l'Université Carnegie Mellon, l'Université Purdue, le Georgia Institute of Technology, l'Arizona State University et l'Université George Washington, opérant via le Forum Ouvert sur l'IA (OFAI). D'autres partenaires clés comprennent l'Institut Astera, Hugging Face en tant que fournisseur d'infrastructure, et l'Accélérateur de la Communauté de Recherche Ouverte (ORCA) via son Réseau de Promotion de l'Innovation.
L'initiative comble une lacune critique dans les pratiques actuelles de partage scientifique. Bien que le gouvernement fédéral américain investisse environ 190 milliards de dollars par an dans la recherche et le développement avec des attentes croissantes en matière d'accès public, le simple fait de rendre les données disponibles ne garantit pas leur utilisabilité. Les artefacts scientifiques sont souvent dispersés à travers des systèmes incompatibles, stockés dans des formats obsolètes ou publiés sans la documentation et les métadonnées nécessaires. Ces limitations entravent la capacité des chercheurs à s'appuyer sur des travaux existants et empêchent les systèmes d'IA de découvrir et de combiner efficacement des ressources à travers les disciplines. Le projet ProtoStar vise à combler cette lacune en encourageant un partage systématique soutenu par une infrastructure ouverte et des directives pratiques de publication.
La demande de ressources scientifiques réutilisables est déjà évidente sur des plateformes comme Hugging Face, qui héberge plus de 17 000 ensembles de données publics dans des domaines scientifiques fondamentaux tels que la génomique, la chimie et les sciences du climat. Ce nombre approche les 29 000 lorsque l'on inclut la médecine et les mathématiques. Le rythme du partage s'accélère, les chercheurs ayant téléchargé plus de trois fois plus de nouveaux ensembles de données scientifiques au cours des neuf premiers mois de 2026 par rapport à la même période en 2025. La documentation joue un rôle crucial dans cet écosystème, car 90 % des téléchargements d'ensembles de données sur Hugging Face proviennent de ressources entièrement documentées. Les dépôts existants d'organisations comme le Centre national d'information biotechnologique du NIH et NASA IMPACT ont déjà généré des millions de téléchargements.
Pour démontrer la valeur de ces ressources prêtes pour l'IA, le projet ProtoStar organisera une série de défis ouverts hébergés par les institutions participantes. Le défi inaugural, intitulé « Intelligence sur les risques climatiques », est organisé par l'Université Carnegie Mellon et se déroulera du 2 au 13 novembre 2026. Les participants sont invités à tester si l'IA peut améliorer les prédictions des conditions climatiques urbaines en utilisant des données météorologiques historiques de 210 villes américaines. Les équipes utiliseront des enregistrements jusqu'en 2018 pour prédire les conditions réelles de 2019 à 2026, en prévoyant des indicateurs tels que la température annuelle moyenne, les précipitations totales, le jour le plus chaud de l'année et les degrés-jours de refroidissement.
Au-delà de la prévision technique, le défi exige que les participants proposent une brève idée de politique d'adaptation climatique informée par leur analyse de données. Ce composant encourage à relier les découvertes scientifiques à des avantages publics pratiques, tels que préparer les villes aux vagues de chaleur extrêmes ou gérer l'évolution des régimes de précipitations. Les équipes soumettront leurs résultats sous forme d'ensembles de données Hugging Face, la performance étant évaluée via un tableau de classement public comparant les erreurs de prédiction par rapport à des références statistiques. Les résultats finaux des prévisions sont prévus pour être publiés au début de 2027, une fois que les enregistrements météorologiques complets pour 2026 seront disponibles.
Les organisations participantes formalisent leur implication par le biais d'un protocole d'accord pour publier des artefacts scientifiques appropriés dans des formats prêts pour l'IA sur une infrastructure ouverte. L'initiative cherche à générer des preuves pratiques concernant les infrastructures et les pratiques nécessaires pour soutenir la science ouverte à grande échelle. Les chercheurs, développeurs, étudiants et entreprises sont invités à participer aux défis, tandis que les universités, agences fédérales et laboratoires nationaux intéressés par l'adhésion au projet ProtoStar peuvent contacter les organisateurs à l'adresse protostar@orcaopen.org.
Sources: Hugging Face Blog.