上線這幾天，我比較感興趣的就是這個叫Consensus的GPT。

這是一個基于人工智能的研究助理，它檢索了Consensus（共識）網站上的2億篇學術論文，用戶可以問它某個主題有哪些論文，并且能給你這些論文的準確鏈接，找到出處鏈接。

作為關注數(shù)據存儲領域的內容編輯，我問了它關于閃存存儲有哪些論文。

它提到了這樣幾篇論文，看起來是分了三大類，其實都是用來提高NAND閃存性能和可靠性的。

我挑選了一個跟AI有關的論文，末尾還提供有論文的鏈接，它會把我引導到Consensus網站上。

AI讓我了解了這篇論文的大致信息，我很快就了解到：

傳統(tǒng)機器學習在NAND故障預測方面存在問題，基于預訓練的模型在某些NAND下表現(xiàn)可能很好，但換了NAND顆粒之后就不行了，為了重新適應新的NAND需要重新訓練模型，這很麻煩。

而新的叫LightWarner的無模型強化學習算法，算是一個故障預測器，可以動態(tài)學習閃存錯誤特性，它可以更快地適應不同閃存芯片，不同壽命周期的錯誤特性變化，從而降低模型遷移的成本。

論文中還提到，在對六種類型的3D閃存芯片進行評估時，LightWarner的表現(xiàn)比傳統(tǒng)監(jiān)督式機器學習方法故障預測準確率高了約10%。

這種高預測準確率意味著LightWarner能夠有效識別即將發(fā)生的故障，從而有助于提前采取措施，避免數(shù)據丟失或系統(tǒng)故障。

還能了解到，LightWarner的一個主要優(yōu)勢是其對不同閃存芯片類型的適應性，這使其在不斷變化和發(fā)展的存儲技術領域中具有重要的實用價值。

該模型還可以提升數(shù)據存儲系統(tǒng)的整體穩(wěn)定性和可靠性，對于如云計算、大數(shù)據分析領域也都有價值。

我比較好奇，這個強化學習的訓練過程是如何完成的？于是就試著追問了一下：

這里大致解釋了系統(tǒng)會收集各種數(shù)據，通過數(shù)據積累和對模型的優(yōu)化，一步步優(yōu)化模型，雖然講的很有條理，但與我想要的答案有些許偏差。

于是我試著問的更具體一點：

它列舉了可用于訓練的幾種方式，包括常用于訓練的各個芯片，還提到了用服務器和云基礎設施的方案，基本等于白問，估計論文里也沒有這些介紹。

最后，我問它，如果要把LightWarner部署，作用于SSD里，應該用什么方案，它是這么說的：

它的回答倒是很全面，幾種可能，以及要注意的點都列舉出來了。

由于我沒法直接從IEEE下載論文，最多也只能看到一點摘要信息，對照來看，GPT說的沒有明顯錯誤。

目前看來，Consensus對于希望快速了解有哪些論文，想快速了解論文大致要解決什么問題的人，還是很有幫助的。

如果有朋友對這個論文感興趣，可以試著自行下載獲取。多說一句，六位作者全都是國內大學的研究者，Consensus提到的其他論文的作者也都至少是華人居多。

zhupb