在机器人系统中，闪存耐用性被视为一种不可再生的资产：每次写入操作都会消耗有限的程序/擦除周期，且不会再补充。然而，目前没有任何实际的机器人内存系统对闪存的价值进行价格评估。我们将这种具身内存视为贬值资本，并用单一的耐用性影子价格 $\eta$ 来定价，从而使得在 RAM、板载 NVM 和云存储层次中进行成本最小化的内存放置成为一个在磨损增强的每字节索引中的阈值。无论价值-写入关联 $\chi$ 的符号如何，该索引都是成本最优的；只有当 $\chi > 0$ 时，最优解才会变得非单调，导致机器人的最有价值记忆被转移出闪存。这个转折点是经验性的，我们在预定的门限下通过真实的机器人日志来测量 $\chi$：其符号是部署机制的一个特性——在长期重复操作中为正 ($\hat{\chi} \approx +1.0 \times 10^{-3}$，在全功率下复制)，在较短时间的任务中为零，而在非重复遥操作中为负。结果受到两个边界的限制。耐用性预算在高端的 3000 P/E TLC 上是沉睡的，而在便宜的 QLC/eMMC ($\sim$1000 P/E) 上则是约束性的，这也是更便宜的边缘机器人所使用的存储。在这种约束下，学习到的耐磨控制器仅在任务价值的基础上进行定价路由，因为实现的价值在 RAM、NVM 和云之间是层次不变的：租金决定了设备的使用寿命和成本，而不是任务性能。是否耐磨的放置能够提高任务价值仍然是一个开放性问题——$\chi$ 是相对于价值代理进行测量的，而非单调的最优解虽已被证明，但尚未在数据中观察到。
博主点评： 这篇文章深刻探讨了闪存耐用性在机器人应用中的经济学，强调了内存管理与任务价值之间的复杂关系。虽然提出了理论框架，但如何在实际应用中验证这些理论仍是一个亟待解决的挑战。期待未来的研究能揭示耐磨控制器的实际效用。