NVIDIA présente GQE, une plateforme pour concevoir des moteurs de requêtes accélérés par GPU

En juin 2026, NVIDIA a publié sur son blog d'entreprise destiné aux développeurs un article technique consacré à GQE, une plateforme pour concevoir des moteurs de traitement de requêtes (query engines) accélérés par GPU. Les performances de ces moteurs butent souvent sur la bande passante de la mémoire et des entrées-sorties.

Qu'est-ce qu'un moteur de requêtes, et quel rapport avec le GPU ?

Les moteurs de traitement de requêtes sont des systèmes logiciels qui exécutent des requêtes analytiques sur de grands volumes de données : agrégations, filtrages, jointures de tables et autres opérations au cœur de l'analytique et de la préparation des données. Ces systèmes ont longtemps tourné sur des processeurs généralistes. Mais à mesure que les volumes de données augmentent, l'industrie transfère de plus en plus ces calculs vers les GPU. Bien optimisés, ceux-ci peuvent traiter en parallèle d'immenses ensembles de lignes et de colonnes, avec un ordre de grandeur d'avance sur les CPU.

Quel problème GQE résout-il ?

NVIDIA souligne que les moteurs de requêtes accélérés par GPU sont traditionnellement limités non par la puissance de calcul du processeur, mais par la vitesse à laquelle les données peuvent transiter de la mémoire vers les unités de calcul. En pratique, c'est la bande passante de la mémoire et des entrées-sorties, et non le nombre de cœurs, qui détermine le plus souvent la vitesse réelle de traitement des requêtes. Selon NVIDIA, ses avancées matérielles s'attaquent directement à ce goulet d'étranglement, notamment la mémoire à haute bande passante (HBM), une mémoire empilée installée au plus près des puces de calcul du GPU.

• L'article a été publié par NVIDIA sur son blog d'entreprise pour les développeurs en juin 2026
• La plateforme s'appelle GQE et sert à concevoir des moteurs de traitement de requêtes accélérés par GPU
• Le principal goulet d'étranglement de ces systèmes est la bande passante de la mémoire et des entrées-sorties, et non le nombre de cœurs de calcul
• Parmi ses solutions matérielles, NVIDIA cite la mémoire à haute bande passante (HBM)

Pourquoi est-ce important pour l'infrastructure de l'IA ?

Les moteurs de traitement de requêtes sont au cœur des plateformes analytiques qui préparent, filtrent et nettoient les données servant ensuite à l'entraînement et au fine-tuning des modèles de machine learning. Les modèles actuels s'entraînent sur des volumes de données toujours plus importants. Dans ce contexte, porter sur GPU le traitement des requêtes lui-même, et pas seulement l'entraînement des modèles, s'inscrit dans la stratégie globale de NVIDIA : bâtir une pile matérielle et logicielle unifiée pour les data centers, des SGBD et frameworks de données tabulaires accélérés par GPU jusqu'aux accélérateurs d'entraînement et d'inférence.

Cette approche fait gagner du temps aux data engineers, qui n'ont plus à transférer les données entre des clusters CPU et GPU distincts aux différentes étapes du pipeline.

Les contenus pour développeurs comme cet article sur GQE accompagnent généralement une gamme plus large de produits NVIDIA dédiés à l'analytique de données accélérée par GPU. L'entreprise développe cette gamme depuis plusieurs années, en parallèle de ses puces pour l'entraînement des réseaux de neurones. Objectif : multiplier les scénarios où l'ensemble du data center tourne sur GPU, de la préparation des données jusqu'à l'inférence finale du modèle, au lieu de laisser une partie du pipeline sur des processeurs serveur classiques.

Ce que cela signifie

L'article sur GQE montre où se déplace le centre de gravité de NVIDIA : au-delà des accélérateurs pour l'entraînement et l'inférence, l'entreprise investit méthodiquement dans l'accélération GPU des étapes plus en amont du pipeline de données, là où les systèmes analytiques actuels butent le plus souvent sur la mémoire, et non sur le calcul.