NVIDIA описала GQE — платформу для GPU-ускоренных движков обработки запросов

Компания NVIDIA в июне 2026 года опубликовала в корпоративном блоге для разработчиков технический материал о GQE — платформе для проектирования GPU-ускоренных движков обработки запросов (query engines), производительность которых часто упирается в пропускную способность памяти и ввода-вывода.

Что такое движок обработки запросов и при чём тут GPU

Движки обработки запросов — программные системы, которые выполняют аналитические запросы к большим объёмам данных: агрегации, фильтрации, соединения таблиц и другие операции, лежащие в основе аналитики и подготовки данных. Долгое время такие системы работали на процессорах общего назначения, но по мере роста объёмов данных индустрия всё активнее переносит эти вычисления на GPU, которые способны параллельно обрабатывать огромные массивы строк и столбцов на порядок быстрее CPU при должной оптимизации.

Какую проблему решает GQE

NVIDIA указывает, что GPU-ускоренные движки запросов традиционно упираются не в вычислительную мощность процессора, а в скорость, с которой данные можно переместить из памяти к вычислительным блокам. Именно пропускная способность памяти и ввода-вывода, а не количество ядер, чаще всего определяет реальную скорость обработки запросов на практике. NVIDIA указывает, что аппаратные достижения компании, включая память с высокой пропускной способностью (HBM) — многослойную память, устанавливаемую в непосредственной близости от вычислительных чипов GPU, — напрямую адресуют это узкое место.

• Материал опубликован NVIDIA в корпоративном блоге для разработчиков в июне 2026 года
• Платформа называется GQE и предназначена для проектирования GPU-ускоренных движков обработки запросов
• Ключевое узкое место таких систем — пропускная способность памяти и ввода-вывода, а не число вычислительных ядер
• В числе аппаратных решений NVIDIA называет память с высокой пропускной способностью (HBM)

Почему это важно для инфраструктуры ИИ

Движки обработки запросов лежат в основе аналитических платформ, которые готовят, фильтруют и очищают данные для последующего обучения и дообучения моделей машинного обучения. По мере роста объёмов данных, на которых обучаются современные модели, перенос самой обработки запросов на GPU — а не только обучения моделей — становится частью общей стратегии NVIDIA по построению единого аппаратно-программного стека для дата-центров: от GPU-ускоренных СУБД и фреймворков для работы с табличными данными до самих ускорителей для обучения и инференса. Такой подход экономит время дата-инженеров, которым больше не нужно перекладывать данные между отдельными CPU- и GPU-кластерами на разных этапах конвейера.

Материалы для разработчиков вроде публикации о GQE обычно сопровождают более широкую линейку продуктов NVIDIA для GPU-ускоренной аналитики данных, которую компания развивает уже несколько лет параллельно с чипами для обучения нейросетей — расширяя число сценариев, где дата-центр целиком работает на GPU от подготовки данных до финального инференса модели, вместо того чтобы часть конвейера оставлять на обычных серверных процессорах.

Что это значит

Материал о GQE показывает, куда смещается фокус NVIDIA: помимо ускорителей для обучения и инференса моделей, компания системно вкладывается в GPU-ускорение более ранних этапов конвейера данных — там, где сегодняшние аналитические системы чаще всего упираются в память, а не в вычисления.