अगला चरण GPU क्यों है।

विश्लेषण उद्योग ने पंद्रह वर्षों तक प्रोसेसर की पूरी क्षमता का उपयोग किया। अगली दस गुना छलांग अलग हार्डवेयर से आएगी।

चार चरणों में तर्क।

  1. प्रोसेसर का रास्ता अपनी सीमा तक पहुँच चुका है।

    कॉलमनर engine कुछ processor core को भौतिक सीमाओं तक कुशलतापूर्वक डेटा देकर तेज़ हुए। उस रास्ते पर अब आगे वृद्धि नहीं हो रही।

  2. मेमोरी bandwidth ही सीमा है।

    एक विश्लेषणात्मक क्वेरी डेटा को पढ़ती, फ़िल्टर, group और join करती है। processor memory सभी core के बीच साझा होती है।

  3. GPU इस काम के अनुकूल है।

    हज़ारों core और high-bandwidth memory को counting, filtering, grouping और joining में लगाया जाता है।

  4. यह पहले क्यों नहीं हुआ।

    GPU database ने अवधारणा को सिद्ध किया, लेकिन वे स्वामित्वाधीन और महँगे रहे। अब card व्यापक रूप से उपलब्ध हैं और tooling परिपक्व हो गई है।

RayoDB इसके लिए क्या करता है।

  • डेटा card पर रहता है।

    स्टोरेज इस तरह व्यवस्थित है कि क्वेरी के लिए आवश्यक column GPU memory में रहें।

  • क्षमता संख्या से बढ़ती है।

    हर worker के पास एक GPU होता है। अधिक अतिरिक्त क्षमता का अर्थ है अधिक worker।

  • model डेटा के साथ चलते हैं।

    पूर्वानुमान, विसंगति पहचान और semantic search SQL function के रूप में चलते हैं।

एक session, दो statement।

rayodb — sample sessionsample data

1 · A week of events, per hour

SELECT toStartOfHour(ts) AS hour, count() AS events
FROM product_events
WHERE ts >= now() - INTERVAL 7 DAY
GROUP BY hour;
hourevents
2026-08-27 00:001,284,913
2026-08-27 01:00962,340
……

168 rows · sample data

2 · The next 24 hours, forecast in SQL

SELECT * FROM AI_FORECAST(hourly_events, hour, events, 24);
hourforecastlowhigh
2026-09-03 00:001,301,5401,214,0021,388,118
2026-09-03 01:00978,116901,4551,054,210
…………

24 rows · sample data

वास्तविक RayoDB SQL और उदाहरण के लिए row। कोई timing नहीं दिखाई गई है,नीति के अनुसार.

देखें कि GPU आपके डेटा पर क्या बदलता है।

वास्तविक workload वाले design partner के एक छोटे समूह के लिए अर्ली एक्सेस उपलब्ध है।