Hugging Face lança Project ProtoStar para tornar a ciência financiada com recursos públicos pronta para IA

O Project ProtoStar parte de um diagnóstico direto: abrir a pesquisa não a torna utilizável. Segundo a Hugging Face, datasets, modelos e código costumam ficar espalhados em sistemas incompatíveis, em formatos estáticos ou legados, ou sem documentação, metadados e proveniência. Para sistemas de IA, que precisam descobrir e combinar recursos entre disciplinas, isso é um gargalo concreto. A iniciativa tenta atacar o problema com formatos prontos para IA e legíveis por máquina, infraestrutura aberta e orientação prática de publicação. Ela se apoia no AI Data-Readiness Challenge do National Cancer Institute e no guia da Hugging Face para preparar dados do setor público.

O formato é de coalizão. As universidades (Carnegie Mellon, Purdue, Georgia Tech, Arizona State e George Washington) atuam pelo Open Forum for AI. O Astera Institute participa, a Hugging Face entra como infraestrutura e o ORCA, pela Fostering Innovation Network, como comunidade. Quem adere formaliza por memorando de entendimento. Os números da plataforma sustentam a demanda: mais de 17 mil datasets públicos em domínios científicos centrais (perto de 29 mil com medicina e matemática), e mais de três vezes mais datasets científicos novos nos primeiros nove meses de 2026 do que no mesmo período de 2025. Também segundo a empresa, 90% dos downloads vêm de datasets totalmente documentados.

O primeiro desafio, o Climate Risk Intelligence, é hospedado pela Carnegie Mellon e vai de 2 a 13 de novembro de 2026. Os times usam registros climáticos de 210 cidades dos EUA até 2018 para prever 2019 a 2026 em quatro indicadores: temperatura média anual, precipitação anual total, dia mais quente do ano e graus-dia de resfriamento. Os resultados são comparados a baselines estatísticos simples (médias históricas e tendências lineares) num leaderboard público. Os resultados finais saem no início de 2027, quando os dados completos de 2026 estiverem disponíveis.

A cobertura anterior do CEVIU mostra outras iniciativas de IA para ciência, mas de entidades e eventos distintos. Em 23 de julho de 2026, o CEVIU noticiou o modelo open-weight do DOE com a Arcee AI, e em 19 de outubro de 2026, o acesso do Google DeepMind a modelos como AlphaFold 3 e WeatherNext para pesquisadores europeus. Nenhuma delas é antecessora do ProtoStar. O que existe é um contexto comum: o ProtoStar mira os dados e o código abertos, não um modelo específico.

Para quem trabalha com ML aplicado à ciência, a leitura é que o gargalo está se deslocando do modelo para o dado. Se o ProtoStar cumprir o que promete, datasets bem documentados e padronizados reduzem o custo de montar pipelines de pesquisa. O desafio da CMU compara IA contra baselines simples, e isso é um teste honesto: ele pode mostrar que, em previsão climática urbana, o ganho nem sempre aparece. Vale acompanhar os resultados de 2027.