问题：
一、如何将不同模态中具有相同语义的信息提取出来，同时避免 modality-specific 信息的干扰；（粒度不够细）
二、如何将这些具有相同语义的不同模态用统一的 codebook 表征。（对齐不够齐）
目标：
将各个模态的任务转换成离散空间的任务
Achieving Cross Modal Generalization with Multimodal Unified Representation
NIPS
2023