Percy Liang

概况

Percy Liang 是斯坦福大学计算机科学系的教员，担任基础模型研究中心（Center for Research on Foundation Models，CRFM）主任，同时是斯坦福 HAI 的高级研究员（Senior Fellow）。^[1][2] 这两个身份从不同侧面指向同一个问题：规模很大的通用模型是怎么造出来的，以及建造者之外的人怎么使用、检查、比较它们。

教育背景

他的学历是 MIT 学士（2004）、MIT 硕士（2005）、加州大学伯克利分校博士（2011）。^[1][2] 本科与硕士在一所学校，博士换到另一所，这是美国计算机科学研究者的常见路径；到走上教职为止，他接受了十年上下的正式训练。

现在的研究重点

斯坦福 HAI 的个人页面把他的当前重点写得很直接：让基础模型——尤其是语言模型——通过开源工作变得更容易获得，通过严格的基准测试变得更容易理解。^[2]

两半都值得展开。基础模型是在广泛数据上训练、之后被适配到许多下游任务的大模型，而不是为单一用途定制的系统。开源意味着把代码和权重公开，其他研究者、学生和公司可以直接运行、检视、修改模型，而不是只能通过别人做好的接口去使用它。基准测试则是用共享的、标准化的任务集去测试模型，让「哪个模型更好」这类判断建立在相同的测量上，而不是建立在个例和印象上。两个目标其实互相支撑：一个能被外部下载的模型，也才是一个能被外部检验的模型。

早期研究

他过去的工作涉及鲁棒性（robustness）、可解释性（interpretability）、人机交互、学习理论、grounding、语义学与推理。^[2] 这些标签很宽，但共同点是关心模型究竟学到了什么、在哪里失效。鲁棒性问的是数据分布变化时系统还能不能正常工作；可解释性问的是它为什么给出这个输出；grounding 问的是词语怎样与世界中的事物对应；语义学与推理问的是句子究竟是什么意思、模型能不能把步骤串起来；人机交互问的是人怎样操纵系统；学习理论则提供数学工具，判断从数据中学习在什么条件下能够泛化。

他还通过 CodaLab Worksheets 推动可复现性：这是一个运行计算实验的平台，让别人能重跑并共享实验，已发表的结果因此可以被另一个实验室验证，而不必只能选择相信。^[2]

获奖

他获得过美国总统青年科学家与工程师奖（Presidential Early Career Award for Scientists and Engineers，2019）、IJCAI 计算机与思维奖（Computers and Thought Award，2016）和 NSF CAREER 奖（2016）。^[1][2] 他还获得过斯隆研究奖学金（Sloan Research Fellowship，2015）和微软研究院教职奖学金（Microsoft Research Faculty Fellowship，2014）。^[1][2] 其中多项是面向职业生涯早期的荣誉：PECASE 由美国政府颁给年轻的科学家与工程师，斯隆奖学金和 NSF CAREER 支持刚开始独立研究的学者，计算机与思维奖则在 IJCAI 上颁给年轻的 AI 研究者。

斯坦福计算机系的个人简介还列出他在 ACL、EMNLP、ICML、COLT、ISMIR、CHI、UIST 和 RSS 获得的论文奖。^[1] 覆盖面很广：ACL 与 EMNLP 是自然语言处理会议，ICML 与 COLT 是机器学习与学习理论会议，CHI 与 UIST 是人机交互会议，RSS 是机器人会议，ISMIR 是音乐信息检索会议。能在这样的跨度上获奖，说明他的研究在统计基础、语言、交互与物理系统之间来回移动。

在领域中的位置

主持一个以基础模型为对象的研究中心，同时把开源发布和共享基准当作核心研究目标，意味着他的影响不只在单篇论文里，也在领域如何衡量自己上。基准和开源工具属于基础设施性质的工作：它们不如一个新系统那样引人注意，却决定了什么算作进展。也正因为这类模型变化很快，一套共用的测量方式才让不同结果还能放在一起比较，一套共用的发布方式才让小型实验室之外的人也能研究它们。