Hugging Face veut rendre la science publique lisible par les IA

Hugging Face, la plateforme où se partagent modèles et jeux de données d’intelligence artificielle, lance Project ProtoStar avec cinq universités des États-Unis. L’objectif : que les données, modèles et programmes issus de la recherche financée par l’argent public soient directement exploitables par des IA. Reste une question que l’annonce n’épuise pas : qui en tirera le plus de valeur ?

Ce que veut dire « prêt pour l’IA »

Ce qui est en jeu : une recherche payée par les contribuables n’est utile que si on peut réellement s’en servir. Or publier ne suffit pas, c’est le constat de départ de l’annonce de Hugging Face.

Selon le texte, les jeux de données (des tableaux de mesures, d’images ou de séquences), les modèles et les codes de recherche sont souvent dispersés sur des systèmes incompatibles. Ils sont aussi stockés dans des formats anciens ou figés, ou publiés sans la documentation, les métadonnées (les informations qui décrivent les données) et la provenance (d’où elles viennent, comment elles ont été produites) nécessaires pour les comprendre.

Un format « prêt pour l’IA », que l’annonce appelle machine-actionable, désigne donc un format qu’un programme peut trouver, lire et combiner sans qu’un humain doive tout nettoyer à la main. En clair : c’est une bibliothèque où chaque livre porte une étiquette lisible, au lieu d’un entrepôt de cartons sans inventaire.

Le contexte est américain. Le gouvernement fédéral investit environ 190 milliards de dollars par an en recherche et développement, indique Hugging Face. Des agences comme les National Institutes of Health (NIH, santé) et la National Science Foundation (NSF) exigent déjà le partage des publications financées et un plan pour partager les données. Hugging Face figure parmi les dix dépôts généralistes que le NIH recommande pour déposer des données de recherche.

Qui est derrière le projet

ProtoStar réunit des universités, des organisations de recherche, des entreprises et la communauté de la science ouverte. Les partenaires fondateurs cités sont :

• cinq universités : Carnegie Mellon (CMU), Purdue, Georgia Tech, Arizona State et George Washington, réunies dans l’Open Forum for AI ;
• l’Astera Institute ;
• Hugging Face, comme partenaire d’infrastructure ;
• l’Open Research Community Accelerator (ORCA), comme partenaire communautaire.

Les organisations participantes signent un protocole d’accord (un engagement non contraignant) pour publier les jeux de données, modèles et codes « adaptés » sur une infrastructure ouverte, dans des formats prêts pour l’IA. D’autres peuvent rejoindre le projet en écrivant à [email protected].

Un premier engagement concret : le bureau des logiciels libres de CMU encourage ses chercheurs à déposer leurs résultats sur Hugging Face, tout en reconnaissant l’importance des dépôts propres à chaque discipline.

On notera un point : Hugging Face est à la fois l’infrastructure choisie et l’initiateur de l’annonce. L’entreprise a un intérêt direct à ce que la science publique soit hébergée chez elle. L’annonce ne le cache pas, mais le lecteur peut le garder en tête.

Des chiffres impressionnants, mais fournis par la plateforme

Ce qui est en jeu : savoir si cette demande de données scientifiques est réelle ou seulement promise. Hugging Face avance plusieurs chiffres.

• Plus de 17 000 jeux de données publics dans les grands domaines scientifiques (génomique, conception de protéines, chimie, météo et climat, observation de la Terre, astronomie). Avec la médecine et les mathématiques, on approche 29 000, accompagnés d’un nombre comparable de modèles.
• Plus de trois fois plus de nouveaux jeux de données scientifiques partagés durant les neuf premiers mois de 2026 que sur la même période de 2025. La croissance reste forte, précise l’annonce, même sans le plus gros contributeur individuel.
• Les 18 dépôts publics du Centre national d’information biotechnologique américain (NCBI, rattaché au NIH) cumulent plus de 11 millions de téléchargements. Les 27 dépôts de NASA IMPACT en comptent environ 770 000, au 26 octobre 2026.
• 90 % des téléchargements portent sur des jeux de données entièrement documentés.

Ces chiffres donnent un repère : la documentation semble compter pour les utilisateurs. Mais un téléchargement n’est pas une découverte scientifique. Un même fichier peut être téléchargé par un robot, par un étudiant ou par un laboratoire. Et toutes ces données viennent de Hugging Face lui-même, sans audit extérieur dans le texte.

L’annonce cite aussi un exemple maison : les équipes de HuggingFaceBio ont construit leurs modèles Carbon-A et Carbon-X à partir de ressources scientifiques ouvertes, puis ont publié ces modèles, jeux de données et outils en accès libre.

Pour tester l’idée, ProtoStar organisera des défis ouverts, chacun hébergé par une institution partenaire. Le premier, « Climate Risk Intelligence », est piloté par Carnegie Mellon du 2 au 13 novembre 2026. Il vise à vérifier si l’IA peut améliorer des prédictions liées au risque climatique. Les deux buts affichés : produire des exemples concrets de réutilisation, y compris en croisant des ressources de plusieurs institutions ou disciplines, et repérer les obstacles techniques, les lacunes de documentation et les bonnes pratiques, pour éclairer financements et politiques publiques.

À qui profitera cette science « prête pour l’IA » ?

Ce qui est en jeu : si la recherche est financée par tous, qui en récolte les fruits ? L’annonce parle de « bénéfice public » et d’une communauté qui réutilise. Elle ne tranche pas la question de la répartition, et nous non plus. Voici les éléments à peser.

Du côté des bénéfices possibles, un laboratoire modeste, une PME ou un indépendant peuvent gagner beaucoup. Des données propres, documentées et trouvables au même endroit leur évitent des mois de préparation qu’ils ne peuvent pas payer. L’annonce met d’ailleurs la réutilisation et la combinaison de ressources entre disciplines au centre.

Du côté des interrogations, des données ouvertes sont par définition accessibles à tous, y compris aux grands laboratoires privés qui disposent de la puissance de calcul et des équipes pour en tirer des modèles. Rien dans l’annonce n’indique que ce soit le but, et rien ne le prouve. Mais la question se pose : plus les données sont faciles à exploiter, plus ceux qui ont déjà les moyens d’entraîner de gros modèles en profitent vite.

Les partenaires fondateurs cités sont des universités, un institut, une infrastructure et un réseau communautaire. L’annonce évoque aussi l’industrie parmi les participants, mais ne nomme pas d’entreprise autre que Hugging Face. On ne sait donc pas encore quelles sociétés rejoindront le projet.

Ce que l’annonce ne dit pas encore

Plusieurs points restent à éclaircir, d’après le texte publié :

• Les licences. L’annonce parle d’infrastructure ouverte, mais ne détaille pas les licences, c’est-à-dire les droits de réutilisation, ni d’éventuelles restrictions d’usage, par exemple commercial.
• Le choix des données. Les protocoles d’accord visent les données « adaptées » à la publication. Qui décide de ce qui l’est, et selon quels critères, n’est pas précisé.
• Le coût. Préparer des données demande du temps et de l’argent. L’annonce ne dit pas qui finance ce travail dans les laboratoires.
• La dépendance à une plateforme. Hébergées chez un acteur privé, les données publiques restent-elles librement accessibles à long terme ? CMU rappelle elle-même l’intérêt des dépôts propres à chaque discipline.
• La mesure du succès. Les défis doivent produire des « preuves » de réutilisation. Les critères d’évaluation, et la manière de mesurer le bénéfice public, restent à voir.

Ce qu’on peut observer concrètement : le défi de Carnegie Mellon, du 2 au 13 novembre, puis les enseignements que ProtoStar annonce en tirer. Les projets présentés, les données réutilisées et les acteurs qui s’en emparent diront si cette science ouverte profite d’abord aux chercheurs et aux citoyens, ou à ceux qui entraînent les plus gros modèles.

Sources

• Announcing Project ProtoStar: Making Publicly Funded Science AI-Ready (Hugging Face)