210 座城市的 AI 气候预测挑战：公开数据怎样真正用起来

10 月 29 日，Hugging Face 与合作机构公布 Project ProtoStar，计划通过开放基础设施、发布支持和社区挑战，推动科研数据、模型与代码被再次使用。对做 AI 研究、数据产品和开放工具的团队，真正的问题是：资料已经公开，别人能否顺利找到、理解并复现？本文从即将开始的气候预测挑战出发，解释数据复用要补上的环节，以及你今天能做的一次小检查。项目公告

原创 AI 概念配图，以气象站、研究笔记和放大镜表现数据整理，不是挑战结果、真实地图或预测图表。

[配图建议：气象观测纸张在研究笔记上整理成有层次的网格，放大镜展示其中结构，旁边是一座微型气象站；浅蓝、深青与暖黄色的纸艺科学杂志风。]

一、先看新计划：让公开成果接受一次复用检验

ProtoStar 关注的是科研成果离开原团队之后，还能不能继续发挥作用。项目页面把工作分为三部分：支持以可用形式分享成果，为成果建立可持续维护的开放存放位置，再通过公开挑战检验实际复用情况。参与机构仍决定哪些材料适合发布，以及怎样分享。ProtoStar 项目说明

首场挑战由卡内基梅隆大学（CMU）主持。按当前挑战页，关键安排是：

• 活动时间：2026 年 11 月 2—13 日，目前尚未开始。
• 预测对象：210 座美国城市，使用截至 2018 年底的资料，预测 2019—2025 年的年度天气指标。
• 输出内容：年平均温度、年总降水、全年最热一天的温度，以及与制冷需求有关的冷却度日（CDD）。

这是一道有实际观测值可供核对的历史预测题，而不是宣称某款 AI 已经准确预报了未来。CMU 当前挑战规则

规则核对有一处差异：10 月 29 日公告写的是预测至 2026 年、2027 年初公布最终结果；当前 CMU 页面及训练集卡采用 2019—2025 年，页面写明截止后评审。本文按当前挑战规则介绍，参与前应再核对页面，不能直接照搬公告中的年份。

对读者而言，值得观察的也不只是最后谁预测得更准：当一个陌生团队接过资料，它能否理解字段、处理缺失值、重建方法？这些障碍是否被记录下来，才决定下一支团队还要不要重复踩坑。

[配图建议：一份公开科研成果依次进入发现、理解、运行和核对四个环节，末端保留结果与问题记录；清晰的横向科学编辑信息图。]

二、文件能读出来，离数据能用还有多远？

想象你下载了一份城市天气表，程序正常读入，图也画出来了。接下来仍可能遇到几个问题：温度是什么单位？空值代表没下雨，还是根本没有观测？一个城市为何对应多条站点记录？

CMU 这份训练集把资料分成三个子集：

数据卡明确说明，温度使用华氏度，降水使用英寸，缺失数据留空；城市长期记录可能由多个站点拼接，因此站点信息的行数不能直接当成城市数量。站点变化和缺失天数，也会影响对长期趋势的解释。训练集数据卡

这类说明看起来琐碎，却直接影响结果。把空缺补成零，可能人为降低年降水；把一个站点迁移造成的变化解释成气候趋势，模型学到的关系就可能偏离研究问题。数据整理的价值，在于把这些解释条件交给下一位使用者。

ProtoStar 引用的公共数据准备指南，早在 2025 年就提出：说明数据来源、转换过程、已知质量问题、读取示例与许可条件。它提供的是准备方法，并不是本次新发布的模型能力。公共数据准备指南

对维护知识库或业务数据的团队，这个思路同样适用。交付一张表时，除了文件本身，还应告诉接手的人：一行是什么、哪些字段能连接、哪些值不能混着比较。让模型帮你读取资料之前，先让资料的含义可核对。

[配图建议：同一张天气表展开单位说明、空值定义和站点关系三层注释，突出数据含义而非虚构预测曲线；简洁的图解手册风。]

三、预测要比基线，复用也要留下证据

一条看起来合理的预测曲线，无法单独证明方法有效。当前挑战列出上一年数值重复、30 年平均值、线性趋势三个简单参照，并用平均绝对误差（MAE）衡量预测值与观测值的距离。它还把用于动态分数和最终分数的年份分开，避免只围着前一段结果调参。挑战中的评估说明

这给开发者一个实用提醒：复杂方法有没有带来价值，要在相同输入边界和评估条件下比较。如果连简单参照都没有，就很难分清改进来自模型、数据处理，还是比较方式变化。

时间边界尤其重要。挑战规定，预测输入应停在 2018 年底；后续年份中会响应天气变化的数据，也不能借别的名字进入预测。例如，规则把后续电力需求列为可能泄露天气信息的输入。它可以用于影响分析，不代表可以用来完成这道历史预测题。数据使用规则与 FAQ

与此同时，最终评审并不只盯预测分数。当前配置中，复用与扩展占 25%，互操作与集成占 20%，可复现与开放占 20%，三项合计 65%。这是评审权重，不是任何模型的成绩。公开评审配置

规则还允许按要求声明并记录负面结果：如果主要发现是材料无法被复用或复现，应解释具体原因。这一点很有价值——“某个字段没有定义，导致两种合理处理得到不同结果”，往往比一句“数据不好用”更能帮助维护者修复问题。严格记录失败，和随意尝试后放弃，是不同质量的工作。挑战关于负面结果的说明

[配图建议：预测结果与简单基线并排接受核对，旁边展示一份包含版本、步骤和复用障碍的研究记录；严谨、克制的科学流程插画，不标虚构分数。]

四、现在能做什么？先让另一台机器读懂一份资料

这项计划适合开放数据维护者、研究团队，以及希望练习真实数据分析的开发者。是否参加比赛，可以等规则和材料核对清楚；数据复用的练习现在就能开始。

我的建议是，先从可公开读取的训练集年度子集入手，或者挑一份你有权分享的内部样例，完成三步：

1. 写清数据含义。说明每行代表什么、单位和时间范围是什么、空值怎样处理；选几个有缺失或站点变化的案例核对。
2. 保留最短复现路径。记录数据版本、读取步骤和环境，让同事在另一台机器上完成相同的读取与统计，而不是只看你导出的图。
3. 建立问题记录。写下在哪一步卡住、原文缺少什么，以及补上哪一条说明能解决问题；把修复反馈回资料本身。

若准备参与挑战，可以从官方提交模板开始：填写预测值，补充方法、代码、复现步骤和遇到的复用障碍。规则会记录提交版本，更新材料后还需按要求重新提交。模板只是格式起点，不能代替对方法与结果的核对。官方提交模板、数据与提交说明

对暂时不做气候研究的团队，最值得带走的是这个验收方式：把“已经上传”改成“别人能按说明读懂并复现”。它能让数据交付从一次文件传递，变成可持续维护的研究基础。

[配图建议：两台不同电脑读取同一版本资料，一份简洁说明把数据、环境和统计步骤连接起来，旁边留下问题反馈；浅蓝纸艺产品流程图。]

总结：先验证一次别人能否接得住

ProtoStar 把科研数据的开放与实际复用放在同一条路径上。气候预测挑战尚未开始，预测效果与复用成果仍待检验；目前可做的，是认真检查材料和规则。

今天挑一份资料，请一位没参与整理的同事按说明读取，记录他第一个需要追问的问题。补上那条说明，往往就是让数据真正好用的起点。你的数据交付里，最容易缺的是单位、版本，还是处理过程？

[配图建议：研究者把一份带说明的资料交给新使用者，对方的第一个问题变成补充注释；温暖简洁的科学编辑插画。]

资料核对日期：2026 年 10 月 30 日（北京时间）。本文依据项目页面、数据卡和公开规则分析，未训练或评测预测模型；封面为原创 AI 概念图。