自监督学习为下游任务提供了有效的表示，而无需依赖标签。然而，现有的自监督方法在性能上仍落后于完全监督训练，并且通常被认为仅在减少或消除注释需求方面具有优势。我们发现，自监督学习可以在多个方面提升模型的鲁棒性，包括对抗样本的鲁棒性、标签污染的鲁棒性和常见输入扰动的鲁棒性。此外，自监督学习在处理接近分布内的异常值时，显著提升了分布外检测的性能，甚至超过了完全监督方法的表现。这些结果表明，自监督学习在提高模型鲁棒性和不确定性估计方面具有巨大潜力，并为未来自监督学习研究建立了新的评估维度。