Percy Liang

ref · Mai 25, 2026, 7:30

Professeur associé d’informatique à Stanford, directeur fondateur du CRFM, le chercheur qui a inventé le terme « foundation models », co-créateur de SQuAD et HELM, et créateur de Marin — une initiative de science ouverte qui reconstruit l’entraînement des modèles fondamentaux en public.

Profil

Domaine	Détail
Nationalité	Américaine
Institution actuelle	Stanford University — Département d’informatique (et, par courtoisie, de statistiques)
Autres rôles	Directeur, Stanford Center for Research on Foundation Models (CRFM) ; Co-fondateur, Together AI ; Co-fondateur, Simile AI ; Créateur, Marin
Domaines de recherche	Modèles fondamentaux, Traitement automatique des langues (TAL), Analyse sémantique, Théorie de l’apprentissage automatique, Robustesse, Évaluation, Reproductibilité
Directeurs de thèse	Michael I. Jordan ; Dan Klein
Thèse de doctorat	Linguistique computationnelle / Modèles probabilistes (UC Berkeley, 2011)
Site web académique	cs.stanford.edu/~pliang
Marin	marin.community
X / Twitter	@percyliang
GitHub	@percyliang
Google Scholar	scholar.google.com

Aperçu

Percy Liang est un informaticien américain et professeur associé d’informatique à Stanford University, où il est le directeur fondateur du Center for Research on Foundation Models (CRFM). Il a inventé le terme « foundation models » dans le cadre du célèbre article fondateur du CRFM en 2021 — qui a réuni plus d’une centaine de chercheurs de Stanford pour cartographier les opportunités et les risques des grands modèles pré-entraînés — et a depuis construit le principal cadre d’évaluation du domaine (HELM), co-créé l’un des benchmarks les plus influents du TAL (SQuAD), et lancé Marin, un laboratoire ouvert qui entraîne et partage des modèles fondamentaux avec une provenance programmatique complète, des données brutes aux résultats. Il a co-fondé Together AI, une plateforme d’inférence et de recherche pour les modèles ouverts, ainsi que Simile AI. Au-delà de ses contributions techniques et institutionnelles, Liang a supervisé un laboratoire exceptionnellement productif : la liste de ses anciens élèves se lit comme un annuaire de la génération actuelle des meilleurs professeurs et chercheurs en ML, avec des diplômés occupant des postes titularisés à Berkeley, Princeton, CMU, NYU, USC, Washington, UChicago, Columbia et ETH Zurich. Il décrit simplement son orientation de recherche : « Je suis attiré par les choses simples, je veux comprendre les choses en profondeur et j’aime construire des systèmes utiles. »

Jeunesse et éducation

Le palmarès de Liang dans les compétitions de programmation et de mathématiques à un jeune âge est parmi les plus décorés de cette série wiki. Il a remporté une médaille d’argent à l’Olympiade Internationale d’Informatique (IOI) en 2000, et son équipe a terminé deuxième aux finales mondiales de l’ACM ICPC en 2002 — deux des compétitions de programmation internationales les plus compétitives. Il a également remporté le Phoenix Young Musicians Competition en piano en 2000, établissant très tôt une double identité de programmeur compétiteur et de musicien sérieux qui a persisté tout au long de sa carrière. Il a ensuite remporté le concours KDFC Classical Star Search (division des plus de 21 ans, 2008) et le MIT Concerto Competition (2004).

B.S., Informatique — MIT, 2004
Liang a obtenu sa licence au MIT.

M.Eng., Informatique — MIT, 2005
Sa thèse de master a été supervisée par Michael Collins, un chercheur de premier plan en TAL statistique.

Ph.D., Informatique — UC Berkeley, 2011
Les recherches doctorales de Liang ont été co-dirigées par Michael I. Jordan (le chercheur le plus cité en apprentissage automatique pendant une grande partie des années 2000-2010) et Dan Klein (un linguiste computationnel et chercheur en analyse syntaxique de premier plan). Sa thèse s’est concentrée sur les modèles probabilistes pour le traitement automatique des langues, combinant la théorie de l’apprentissage statistique avec la prédiction structurée — une base pour ses travaux ultérieurs sur l’analyse sémantique et l’ancrage du langage.

Postdoc, Google — 2012
Après avoir terminé son doctorat, Liang a effectué un court postdoctorat chez Google avant de rejoindre Stanford.

Carrière

Stanford University — Professeur associé (2012–présent)

Liang a rejoint Stanford en tant que professeur assistant et a été promu professeur associé. Il occupe des postes en informatique et en statistiques, et est affilié à Stanford HAI, SAIL, ainsi qu’aux groupes TAL et ML.

Analyse sémantique et ancrage (2012–2018)
Les premières recherches de Liang à Stanford se sont concentrées sur l’analyse sémantique — apprendre aux machines à traduire le langage naturel en programmes formels qui peuvent être exécutés sur des bases de données structurées ou des environnements. Son groupe a développé des méthodes pour apprendre des analyseurs sémantiques à partir d’une supervision distante et bruyante (exécuter des programmes plutôt que d’annoter des formes logiques), et pour la généralisation compositionnelle. Ces travaux ont produit plusieurs articles très cités à ACL, EMNLP et ICML et ont formé la première génération de ses doctorants.

SQuAD — Stanford Question Answering Dataset (2016)
Avec son doctorant Pranav Rajpurkar et d’autres, Liang a co-créé SQuAD, un benchmark de compréhension de lecture construit à partir de passages de Wikipédia. Le jeu de données original SQuAD (2016) et son extension contradictoire SQuAD 2.0 (2018, avec Robin Jia) sont devenus parmi les benchmarks les plus utilisés de l’histoire du TAL — l’article de 2016 a accumulé des dizaines de milliers de citations, ce qui en fait l’un des articles les plus cités dans le domaine. La combinaison de l’échelle, du format et du protocole d’évaluation clair de SQuAD a établi le modèle pour les benchmarks TAL ultérieurs et a catalysé une vague de recherche en compréhension automatique de la lecture.

Exemples contradictoires pour la compréhension de la lecture (2017)
Avec Robin Jia, Liang a démontré que l’ajout de phrases distrayantes dans les passages de SQuAD entraînait une chute spectaculaire des performances du modèle — un résultat qui a précédé et contribué à cadrer l’attention ultérieure du domaine sur la robustesse et le changement de distribution en TAL.

Fonctions d’influence pour l’apprentissage automatique (2017)
Co-écrit avec Pang Wei Koh (et étendu par la suite), ce travail a appliqué les fonctions d’influence statistiques classiques aux réseaux de neurones pour identifier quels exemples d’entraînement influençaient le plus une prédiction donnée — un outil fondamental pour l’attribution des données, le débogage des modèles et la compréhension de la dynamique d’entraînement.

CodaLab Worksheets
Liang a été un défenseur précoce et soutenu de la recherche reproductible, développant et maintenant CodaLab Worksheets — une plateforme pour gérer les expériences computationnelles avec une provenance complète, permettant aux articles d’être « exécutables » dans le sens où tout le code et les données pour reproduire les résultats sont directement liés à la publication.

CS336: Modèles de langage de A à Z
Liang a créé CS336, le cours de Stanford sur la construction de modèles de langage à partir des premiers principes — couvrant les données, l’architecture, l’entraînement et l’évaluation à l’échelle du développement réel de modèles de langage. Le cours se distingue par l’obligation faite aux étudiants d’implémenter chaque composant eux-mêmes et a été influent dans l’établissement de ce à quoi ressemble une formation de niveau master sur les modèles de langage.

CS324 / CS221 / CS229T
Liang enseigne également CS324 (Progrès dans les modèles fondamentaux), CS221 (Intelligence artificielle) et CS229T (Théorie de l’apprentissage statistique), couvrant à la fois les dimensions appliquées et théoriques de pointe de l’IA.

Invention du terme « Foundation Models » et fondation du CRFM (2021)

En août 2021, Liang a lancé le Stanford Center for Research on Foundation Models (CRFM) en tant qu’initiative au sein de Stanford HAI, et a co-dirigé le rapport fondateur « On the Opportunities and Risks of Foundation Models » — une analyse de 200 pages impliquant plus d’une centaine de chercheurs de Stanford couvrant les dimensions techniques, sociales, juridiques et éthiques des grands modèles pré-entraînés. L’article a inventé le terme « foundation models » pour décrire des modèles entraînés sur des données vastes à grande échelle et adaptables à un large éventail de tâches. Liang a ensuite expliqué le nom : lui et ses collègues « ont fait le tour de Stanford University pour voir qui s’intéressait à ce phénomène » et avaient besoin d’une terminologie qui soit descriptive sans être chargée d’évaluations dans un sens ou dans l’autre.

Le terme a rapidement été adopté à l’échelle mondiale et a remplacé ou concurrencé la terminologie antérieure (« grands modèles de langage », « modèles pré-entraînés », « modèles de base ») dans les discours industriels, gouvernementaux et académiques. Le rapport du CRFM est devenu l’un des articles d’IA les plus cités de 2021 et a façonné le cadrage des discussions politiques sur l’IA aux États-Unis, dans l’UE et au Royaume-Uni.

HELM — Évaluation holistique des modèles de langage (2022)

Avec ses collègues du CRFM, Liang a développé HELM (Holistic Evaluation of Language Models), un cadre de benchmarking basé sur trois principes : une taxonomie systématique des scénarios d’évaluation plutôt qu’une liste ad hoc, l’évaluation de tous les modèles sur tous les scénarios pour une comparaison équitable entre modèles, et la mesure de multiples métriques au-delà de la précision (incluant calibration, robustesse, équité et efficacité). La version initiale a évalué plus de trente modèles de treize organisations, dont AI21, Anthropic, Cohere, Google, Meta, Microsoft, NVIDIA et OpenAI — l’évaluation comparative publique la plus complète des modèles de langage à ce jour. HELM s’est depuis étendu pour inclure les modèles vision-langage, le code et les benchmarks de raisonnement, et est hébergé à crfm.stanford.edu/helm en tant que ressource publique mise à jour en continu.

Agents génératifs (Generative Agents) (2023)

Avec le doctorant Joon Sung Park et Michael Bernstein, Liang a co-écrit l’article « Generative Agents: Interactive Simulacra of Human Behavior » — un article qui a démontré que des agents basés sur des LLM intégrés dans un village virtuel pouvaient exhiber des comportements sociaux plausibles et émergents : former des souvenirs, faire des plans, diffuser des informations et organiser des événements. L’un des articles de TAL les plus cités de 2023, il a établi le genre de la recherche sur la « simulation de société par LLM » et a influencé à la fois les communautés de recherche en IA et de conception de jeux.

Préfixe Tuning (Prefix Tuning) (2021)

Avec Xiang Lisa Li, Liang a co-écrit Prefix Tuning, une méthode d’ajustement efficace en paramètres des modèles de langage en préfixant des embeddings continus entraînables au contexte d’entrée plutôt que de mettre à jour tous les poids du modèle — obtenant des résultats comparables à un ajustement complet avec une fraction des mises à jour de paramètres.

Together AI — Co-fondateur (2022)

Liang a co-fondé Together AI (together.ai), une plateforme fournissant des API d’inférence et une infrastructure de recherche pour les modèles de langage open-source, permettant l’accès à des modèles incluant les variantes de LLaMA et des modèles personnalisés entraînés à un coût compétitif. Together AI a été utilisé par une grande partie de la communauté de recherche en ML pour des expériences nécessitant l’accès à de grands modèles ouverts.

Simile AI — Co-fondateur

Liang a co-fondé Simile AI (simile.ai), une entreprise plus récente dont le domaine d’activité s’appuie sur les directions de recherche sur les agents génératifs et l’IA pour la science.

Marin — Laboratoire de science ouverte sur les modèles fondamentaux (2025–présent)

En mai 2025, Liang a lancé Marin (marin.community), un laboratoire ouvert qui entraîne des modèles fondamentaux à partir de zéro avec une documentation publique complète de chaque étape : le code, les données, les expériences, les erreurs et les résultats sont tous partagés en temps réel via GitHub issues (pour la pré-enregistrement des expériences), pull requests (pour le code) et rapports Weights & Biases (pour les résultats). Marin-8B-Base a battu LLaMA 3.1 8B sur 14/19 benchmarks standard ; Marin-32B-Base est devenu le meilleur modèle open-source en date d’octobre 2025 sur le même ensemble de benchmarks. Le classement speedrun de Marin invite les chercheurs à trouver des méthodes d’entraînement plus rapides avec un budget de calcul donné — inspiré par le nanogpt speedrun — avec un accès gratuit aux calculs offert aux meilleurs performeurs. Le projet s’exécute sur les ressources du Google TPU Research Cloud et est explicitement organisé comme un effort de recherche communautaire.

Contributions clés

A inventé le terme « foundation models » — L’article fondateur du CRFM en 2021 a introduit et défini le terme ; il est devenu le vocabulaire dominant dans la recherche, la politique et l’industrie de l’IA pour décrire les grands modèles adaptables pré-entraînés.
SQuAD / SQuAD 2.0 — Co-créé le Stanford Question Answering Dataset (2016) et son extension contradictoire (2018) ; parmi les articles de TAL les plus cités jamais écrits ; a façonné la compréhension automatique de la lecture en tant que sous-domaine et a stimulé une vague de travaux de benchmarking en TAL.
HELM — A construit le cadre d’évaluation comparative le plus complet pour les modèles de langage, évalué sur des dizaines de modèles et des centaines de scénarios ; a établi la transparence et l’évaluation multidimensionnelle comme normes pour une comparaison responsable des modèles.
Agents génératifs — A démontré le comportement social émergent dans les sociétés virtuelles pilotées par LLM ; l’un des articles d’IA les plus cités de 2023 ; a défini une nouvelle direction de recherche dans la simulation par IA.
Préfixe Tuning — Une méthode d’ajustement efficace en paramètres qui est devenue une technique largement utilisée pour adapter les grands modèles de langage sans ajustement complet.
Fonctions d’influence pour le ML — Travail fondateur sur l’attribution des prédictions des modèles aux données d’entraînement ; largement utilisé pour comprendre le comportement des modèles et le débogage des données.
Marin — Un nouveau modèle pour la science ouverte de l’IA : entraîner des modèles fondamentaux en public avec une documentation programmatique complète, considérant la science elle-même comme un processus communautaire plutôt qu’une séquence de résultats publiés.
SQuAD contradictoire — A montré que l’ajout de distracteurs dans les passages de compréhension de la lecture provoquait une défaillance catastrophique du modèle ; l’une des premières démonstrations de la fragilité des systèmes de TAL sous un changement de distribution naturel.
CodaLab Worksheets — Plateforme ouverte pour des expériences de ML reproductibles ; reflète l’investissement institutionnel soutenu de Liang dans l’infrastructure de recherche.
CRFM — A fondé et dirige le Stanford Center for Research on Foundation Models, qui a produit des recherches influentes, des cadres d’évaluation et un engagement politique autour de l’IA.

Récompenses et reconnaissance

Presidential Early Career Award for Scientists and Engineers (PECASE) (2019)
IJCAI Computers and Thought Award (2016) — Prix biennal pour des contributions exceptionnelles à l’IA par un chercheur de moins de 35 ans ; parmi les prix d’IA pour début de carrière les plus prestigieux.
NSF CAREER Award (2016)
Sloan Research Fellowship (2015)
Microsoft Research Faculty Fellowship (2014)
AI2050 Schmidt Sciences Fellow (en cours) — Bourse pour une recherche en IA à fort impact.
ACM ICPC World Finals — 2e place (2002) — Avec l’équipe du MIT.
Olympiade Internationale d’Informatique — Médaille d’argent (2000)
Prix d’articles à ACL, EMNLP, ICML, COLT, ISMIR, CHI, UIST et R (plusieurs).
Bourses de master : NSF, NDSEG, GAANN, Siebel Scholar.
Piano : Vainqueur du KDFC Classical Star Search (division des plus de 21 ans, 2008) ; MIT Concerto Competition (2004) ; Phoenix Young Musicians Competition (2000).

Lignée académique

Liang a supervisé un groupe inhabituellement nombreux et bien placé de doctorants et postdoctorants. Parmi les anciens élèves les plus éminents :

Jacob Steinhardt — PhD 2018 ; maintenant professeur associé à UC Berkeley et fondateur de Transluce ; chercheur de premier plan en robustesse, sécurité de l’IA et évaluation.
Pranav Rajpurkar — PhD 2021 (co-encadré avec Andrew Ng) ; maintenant professeur associé à Harvard ; a créé SQuAD et a mené des recherches en IA pour la médecine.
Aditi Raghunathan — PhD 2021 ; maintenant professeure assistante à CMU ; chercheuse de premier plan en ML robuste.
Pang Wei Koh — PhD 2022 ; maintenant professeur assistant à University of Washington ; travaux influents sur les fonctions d’influence et le changement de distribution.
Rishi Bommasani — PhD 2025 (co-encadré avec Dan Jurafsky) ; auteur de l’article « On the Opportunities and Risks of Foundation Models » et a mené une grande partie de HELM ; maintenant chercheur principal à Stanford HAI.
Joon Sung Park — PhD 2025 (co-encadré avec Michael Bernstein) ; premier auteur de Generative Agents ; maintenant fondateur d’une startup.
Tatsunori Hashimoto — Postdoc ; maintenant professeur assistant à Stanford ; a co-encadré plusieurs étudiants de Liang.
Robin Jia — PhD 2020 ; maintenant professeur assistant à USC ; a créé SQuAD contradictoire.
Mina Lee — PhD 2023 ; maintenant professeure assistante à University of Chicago.
Yuhuai (Tony) Wu — Postdoc ; co-fondateur de xAI (la société d’IA d’Elon Musk).

Relations clés

Michael I. Jordan — Directeur de thèse à Berkeley ; l’un des chercheurs en ML les plus influents de sa génération ; l’accent mis par Jordan sur la rigueur statistique et la quantification princière de l’incertitude est visible dans les recherches de Liang tout au long de sa carrière.
Dan Klein — Co-directeur de thèse ; linguiste computationnel de premier plan ; a façonné l’ancrage de Liang en TAL et en prédiction structurée.
Michael Collins — Directeur de MEng au MIT ; l’un des pionniers du TAL statistique ; première influence sur l’approche de Liang en matière de langage.
Fei-Fei Li — Co-fondatrice de Stanford HAI et collègue proche ; leur travail institutionnel à Stanford HAI et CRFM se chevauche significativement dans la gouvernance et l’évaluation des modèles fondamentaux.
Christopher Manning — Collègue senior en TAL à Stanford ; plusieurs étudiants de Liang co-encadrés avec Manning ; leur position partagée au sein de l’écosystème TAL de Stanford donne à leur relation un poids institutionnel particulier.
Chelsea Finn — Collègue actuelle à Stanford ; Liang co-encadre des étudiants avec Finn, reflétant un chevauchement entre son travail sur les modèles de langage et sa perspective robotique.

Style personnel

Les recherches et le travail institutionnel de Liang partagent une orientation cohérente vers la clarté, la rigueur et la responsabilité publique. La phrase qu’il utilise pour décrire son éthique de recherche — « Je suis attiré par les choses simples, je veux comprendre les choses en profondeur et j’aime construire des systèmes utiles » — s’applique également à son approche de l’éducation (CS336 oblige les étudiants à tout implémenter à partir de zéro), de l’évaluation (HELM tente d’être exhaustif et fondé sur des principes plutôt que sélectif) et de la science ouverte (Marin documente chaque expérience, y compris les erreurs). Son investissement soutenu dans l’infrastructure — CodaLab, HELM, Marin — reflète la conviction que la fiabilité cumulative de la science dépend de la manière dont le travail est enregistré et partagé, pas seulement des conclusions auxquelles on parvient. Sa co-fondation de Together AI et Simile AI parallèlement à son rôle de professeur représente un schéma dans sa carrière consistant à construire des institutions et des plateformes plutôt que de se limiter aux résultats de recherche. Il a décrit les principes de science ouverte derrière Marin comme une réponse directe à une crise de reproductibilité qu’il perçoit dans la recherche en IA à grande échelle : si les expériences qui entraînent les modèles de pointe ne sont pas documentées en temps réel, le domaine perd la capacité de construire cumulativement sur son propre travail.