O próximo passo está na GPU.

O caminho do processador chegou ao limite.
Os mecanismos colunares ficaram mais rápidos alimentando alguns núcleos de processador com a máxima eficiência permitida pela física. Esse caminho parou de avançar.
A largura de banda da memória é o limite.
Uma consulta analítica lê, filtra, agrupa e combina dados. A memória do processador é compartilhada por todos os núcleos.
A GPU é adequada a esse trabalho.
Milhares de núcleos e memória de alta largura de banda aplicados à contagem, filtragem, agrupamento e combinação de dados.
Por que isso não aconteceu antes.
Os bancos de dados em GPU comprovaram o conceito, mas continuaram proprietários e caros. Agora as placas estão amplamente disponíveis e as ferramentas amadureceram.

Os dados residem na placa.
O armazenamento é organizado para que as colunas necessárias a uma consulta permaneçam na memória da GPU.
A capacidade cresce por unidade.
Cada nó de processamento tem uma GPU. Para obter mais capacidade, basta adicionar nós.
Os modelos são executados junto aos dados.
Previsão, detecção de anomalias e busca semântica são executadas como funções SQL.

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;

168 rows · sample data

2 · The next 24 hours, forecast in SQL

SELECT * FROM AI_FORECAST(hourly_events, hour, events, 24);

hour	forecast	low	high
2026-09-03 00:00	1,301,540	1,214,002	1,388,118
2026-09-03 01:00	978,116	901,455	1,054,210
…	…	…	…

24 rows · sample data

SQL real do RayoDB, com linhas ilustrativas. Nenhum tempo de execução é apresentado,por política.

Veja o que a GPU muda nos seus dados.

O acesso antecipado está aberto a um pequeno grupo de parceiros de design com cargas de trabalho reais.