Hugging Face ha annunciato il 29 ottobre 2026 Project ProtoStar, un'iniziativa che punta a rendere dataset, modelli e codice della ricerca scientifica finanziata con fondi pubblici effettivamente pronti per essere usati dall'intelligenza artificiale. L'idea nasce da un problema molto concreto: negli Stati Uniti il governo federale investe circa 190 miliardi di dollari l'anno in ricerca e sviluppo, secondo il Congressional Research Service, ma gran parte dei risultati finisce in archivi poco strutturati, formati proprietari o repository difficili da interrogare con strumenti automatici. Il risultato è che modelli di intelligenza artificiale capaci di accelerare la ricerca scientifica si trovano spesso senza dati puliti, documentati e in formati leggibili dalle macchine su cui lavorare.
Il nodo dei dati scientifici "non pronti per l'IA"
Il problema riguarda sia i cittadini che pagano la ricerca con le tasse sia chi dovrebbe riutilizzarla. Un dataset pubblicato senza metadati coerenti, senza licenza chiara o senza una minima documentazione tecnica è, di fatto, invisibile per un sistema di intelligenza artificiale, anche se formalmente è "open data". Hugging Face cita a questo proposito uno studio indipendente (arXiv 2401.13822) secondo cui il 90% dei download di dataset scientifici si concentra sui dataset completamente documentati: la qualità della documentazione, più della semplice disponibilità del file, decide se una risorsa viene davvero riutilizzata o resta sepolta in un archivio.
Chi c'è dietro l'iniziativa
Project ProtoStar riunisce attori diversi, ciascuno con un ruolo definito. Carnegie Mellon University, Purdue University, Georgia Institute of Technology, Arizona State University e George Washington University partecipano come partner fondatori universitari, coordinati attraverso l'Open Forum for AI (OFAI). L'Astera Institute è anch'esso partner fondatore. Hugging Face mette a disposizione l'infrastruttura tecnica per ospitare dataset, modelli e spazi di lavoro, mentre l'Open Research Community Accelerator (ORCA), tramite il suo Fostering Innovation Network, fa da partner di comunità per coinvolgere ricercatori indipendenti e piccole organizzazioni. Le istituzioni che vogliono aderire formalizzano la partecipazione con un memorandum of understanding; chi è interessato può scrivere all'indirizzo
I numeri della scienza aperta su Hugging Face
Hugging Face è inclusa dal NIH statunitense tra i dieci repository generalisti raccomandati per la condivisione dei dati di ricerca, e i numeri che l'azienda riporta danno la misura del fenomeno: oltre 17.000 dataset pubblici nei principali ambiti scientifici, che diventano quasi 29.000 se si includono medicina e matematica, accompagnati da un numero comparabile di modelli scientifici. Nei primi nove mesi del 2026 i ricercatori hanno condiviso sulla piattaforma più del triplo dei nuovi dataset scientifici rispetto allo stesso periodo del 2025. Due casi citati come esempio di riuso effettivo: i 18 repository dell'NCBI (National Center for Biotechnology Information, parte del NIH) hanno superato gli 11 milioni di download complessivi, mentre i 27 repository di NASA IMPACT ne contano circa 770.000, dato aggiornato al 26 ottobre 2026.
La prima sfida: previsioni climatiche urbane
Per dimostrare concretamente l'utilità dell'iniziativa, Carnegie Mellon University ospiterà dal 2 al 13 novembre 2026 la prima sfida pubblica di Project ProtoStar, dedicata alla "Climate Risk Intelligence". I partecipanti dovranno usare un dataset di dati climatici storici relativi a 210 città statunitensi, costruito a partire da una ricerca CMU (identificata dal DOI 10.1184/R1/7890488.v6), addestrando i propri modelli solo su dati fino al 2018 e provando a prevedere le condizioni reali osservate tra il 2019 e il 2026. Quattro indicatori saranno al centro della valutazione: la temperatura media annuale, le precipitazioni totali annue, il giorno più caldo dell'anno e i gradi-giorno di raffrescamento, una misura standard della domanda di climatizzazione estiva. Le previsioni dei team vengono confrontate con semplici baseline statistiche, come medie storiche e trend lineari: un modo per capire se l'IA aggiunge davvero valore rispetto a strumenti tradizionali, non solo se produce numeri plausibili. Oltre alla parte tecnica, ai team viene chiesto di presentare una breve proposta di politica di adattamento climatico basata sui risultati. Le sottomissioni, in forma di dataset pubblicato su Hugging Face, saranno valutate con una classifica pubblica per l'accuratezza delle previsioni, mentre le proposte di policy saranno giudicate separatamente; i risultati definitivi arriveranno all'inizio del 2027, una volta disponibili i dati meteorologici completi dell'intero 2026. Non sono previsti premi in denaro: l'incentivo dichiarato è la visibilità del lavoro e il contributo a un caso di studio pubblico sul riuso dei dati scientifici.
Perché interessa anche fuori dal mondo accademico
Project ProtoStar non è riservato alle università della coalizione: la sfida sulla "Climate Risk Intelligence" è aperta anche a sviluppatori indipendenti, startup e aziende che vogliano misurare le proprie tecniche di previsione su un problema reale e ben documentato, con un metodo di valutazione trasparente. Per i professionisti che lavorano con modelli di intelligenza artificiale applicati a rischio climatico, assicurazioni, agricoltura o pianificazione urbana, l'iniziativa offre un dataset già pulito e un benchmark pubblico su cui confrontarsi, cosa che nella pratica quotidiana della data science resta spesso il collo di bottiglia più oneroso rispetto alla scelta dell'algoritmo. Più in generale, l'intero progetto è un tentativo di affrontare un problema che non riguarda solo gli Stati Uniti: la differenza tra "dato pubblico" e "dato davvero utilizzabile" da un sistema di IA.
Il commento di PINET
Per l'Italia il tema non è astratto: anche qui la ricerca pubblica produce ogni anno una mole enorme di dati, spesso con standard di documentazione molto diversi da un ente all'altro, e l'adesione alle politiche europee di scienza aperta (come l'European Open Science Cloud) resta disomogenea tra atenei e centri di ricerca. Project ProtoStar, per ora, è un'iniziativa a trazione statunitense e non risultano, al momento dell'annuncio, enti italiani coinvolti tra i partner fondatori: la partecipazione diretta di università o centri di ricerca nostrani, se arriverà, dovrebbe passare per accordi ad hoc o per l'adesione informale alle sfide pubbliche, più che per un coinvolgimento strutturato nella governance del progetto. L'ostacolo pratico più concreto per replicare un modello simile in Italia non è tecnologico ma organizzativo: richiede che enti finanziatori, atenei e infrastrutture di calcolo si accordino su formati e licenze comuni, un lavoro di coordinamento che in genere richiede più tempo della sola messa a disposizione dei fondi. Il giudizio, in attesa di vedere la prima sfida produrre risultati concreti nel 2027, resta quindi positivo ma cauto: l'approccio basato su sfide pubbliche e dataset verificabili è un metodo serio per misurare l'utilità reale dell'IA sulla scienza, ma la sua portata per ora è dimostrativa più che sistemica.
