在本次演讲中，我将展示如何利用自监督学习来改进基础的多模态模型，使其能够扩展到更多的模态、学习到更好的表示，并提高其效率。训练基础多模态模型时的一个大挑战是配对数据的稀缺性。虽然我们有大量的（图像，文本）数据，但其他模态，如深度或IMU的数据集整体上则是有限的。我们在这方面的首次尝试名为ImageBind，它展示了图像可以用作一个通用的信号来“绑定”多种不同的模态。我们证明了自然出现的图像配对，如（图像，IMU），（图像，深度）可以被自动用来学习一个共享的嵌入空间，其中未见过的模态对是对齐的。ImageBind实现了零射击识别、跨模态检索和生成的新能力。我们的第二项工作显示，使用自监督学习作为“预”预训练阶段可以改进多模态（图像，文本）表示，在各种模型大小和数据大小上都有所表现。预预训练提高了数十亿参数在数十亿图像上训练的基础模型的性能，同时也加速了它们的收敛。由此产生的模型在完全微调、线性探测、图像和视频领域的零射击识别任务上都展现出了最先进的性能。