GPU-native Abfrage-Engine, um Workloads auf CPUs oder GPUs auszuführen, ohne dazu bestehende Trino-SQL-Abfragen, Anwendungen oder Agenten zu ändern...
Hintergrund
KI-Agenten verursachen eine andere Art von Belastung auf Datenplattformen. Eine einzelne Agentenaufgabe kann z.B. eine Kette abhängiger Abfragen auslösen, wobei die Verzögerungen bei einer Abfrage den gesamten Workflow verlangsamen können. Diese Engpässe erschweren es auch, Daten zu untersuchen, Ergebnisse auszuwerten und Entscheidungen in Echtzeit zu treffen. Gleichzeitig investieren Unternehmen in NVIDIA-KI-Infrastruktur, um die Datenverarbeitung für Agentic-AI-Umgebungen zu beschleunigen. Torin erweitert laut Entwickler diese Investitionen auf SQL-Analysen, ohne dass dazu eine neue Datenplattform erforderlich ist.
Ankündigungsdetails
Torin ist das Ergebnis einer Zusammenarbeit zwischen Starburst und NVIDIA und wurde auf der GTC 2026 vom 21./22. Oktober in Berlin erstmals vorgestellt. Starburst entwickelte die SQL-Operatoren von Torin auf Basis von NVIDIA cuDF.
NVIDIA wiederum steuerte cuDF-Fachwissen sowie Anleitungen zur Optimierung für NVIDIA Blackwell-GPUs bei. Die Ergebnisse sollen die beschleunigte Datenverarbeitung von NVIDIA für SQL-Teams zugänglich machen, die Starburst bereits nutzen. Auf der CPU-Seite unterstützt die CPU-Engine von Starburst Enterprise auch die NVIDIA Vera-CPU, wie im März auf der US GTC 2026 angekündigt.
"In Starburst-Benchmarks führte Torin TPC-H-Abfragen auf NVIDIA Blackwell-GPUs bis zu 7-mal schneller aus, wobei die schnellste Abfrage 11,4-mal schneller lief.
Bei ClickBench lieferte eine NVIDIA L4-GPU-Instanz den 3,4-fachen Durchsatz der CPU-Baseline bei ähnlichen stündlichen Hardwarekosten. (1)
Beim TPC-H-Benchmark von Starburst mit SF1000 führte Vera die Abfragen 1,5-mal schneller aus als eine führende x86-CPU und benötigte pro Abfrage etwa 33 Prozent weniger CPU-Sekunden." (2)
Abb.: Starburst - NVIDIA Solution Brief Accelerate Enterprise Analytics with GPU-Native SQL, 2026 (Bildquelle: Starburst Torin).
Anmerkung: Starburst ermöglicht einen föderierten Zugriff auf die verteilten Daten eines Unternehmens und stellt KI-Plattformen den Unternehmenskontext zur Verfügung. Aufgebaut auf offenen Standards mit Trino und Apache Iceberg lässt sich Starburst in bestehende Technologien integrieren und vermeidet Anbieterbindung.
Agenten benötigen neben schnellen Abfragen einen Kontext, dem sie vertrauen können
Starburst arbeitet hier mit NVIDIA zusammen, um den Bedarf zu decken. Um stark regulierten Kunden aus dem Finanzdienstleistungssektor Geschäftseinblicke in natürlicher Sprache zu liefern, arbeitet das Unternehmen gerade daran, die offenen Modelle NVIDIA Nemotron Retriever und NVIDIA Kumo in Starburst AIDA zu integrieren.
Beide sind Teil der neuen NVIDIA Agent Knowledge Foundation: Diese stellt offene Modelle und beschleunigte Bibliotheken innerhalb des NVIDIA Agent Toolkits bereit und unterstützt Agenten dabei, relevanten Kontext abzurufen, fundierte Antworten zu generieren, Ergebnisse zu analysieren und vorherzusagen sowie Maßnahmen zu optimieren.
Die Arbeit soll laut Anbieter dazu beitragen, Kontextvorhersagen zu verbessern, die für die Betrugserkennung, die Überwachung von Kreditrisiken und das Know-Your-Customer-Onboarding (KYC) zum Einsatz kommen.
Quellenangabe:
(1) „Die TPC-H- und ClickBench-Ergebnisse in diesem Beitrag stammen aus den im Starburst Engineering Blog veröffentlichten Tests. „Bis zu 7-fach“ bezieht sich auf denselben TPC-H-Test auf denselben NVIDIA Blackwell-GPUs, ausgeführt auf Starburst Enterprise 483-e. Die Benchmarks wurden auf AWS in einer Entwicklungsumgebung auf Single-Node-Konfigurationen durchgeführt, wobei auf Warm-up-Läufe gemessene Läufe folgten.
Die Beschleunigungen sind geometrische Mittelwerte der Verhältnisse pro Abfrage. TPC-H wurde auf g7e.4xlarge-Instanzen und ClickBench auf g6.4xlarge-Instanzen ausgeführt, im Vergleich zu einer m8g.8xlarge-CPU-Baseline. Die Kostenangaben beziehen sich ausschließlich auf die Hardware und schließen Softwarelizenzen aus. Die Ergebnisse variieren je nach Workload und Bereitstellung.
Quelle: Starburst Engineering Blog.
(2) Die Benchmarks wurden in einer Entwicklungsumgebung auf One-Node-Konfigurationen mit 88 physischen Kernen / 176 Threads für NVIDIA Vera und 96 physischen Kernen / 192 Threads für Intel Xeon 6 auf Starburst Enterprise 483-e durchgeführt, wobei jeweils eine Abfrage nach der anderen ausgeführt wurde.
Als Workloads dienten TPC-H (22 Abfragen). NVIDIA Vera (Single-Socket) lief gemessen an der Wall-Time pro Abfrage 1,48-mal schneller als eine Intel Xeon 6-Instanz und benötigte etwa 33 Prozent weniger CPU-Sekunden pro Abfrage. Die Ergebnisse variieren je nach Workload und Bereitstellung.“
Querverweis:
Unser Beitrag > Neo4j GraphAware Financial Crime Intelligence unterstützt die Analyse verdächtiger Finanzströme
Unser Beitrag > Seagate-Studie zu den Anforderungen von KI auf Infrastruktur-Strategien von Unternehmen
Unser Beitrag > Dell Technologies AI Data Platform Storage Updates auf Basis Dell PowerScale und ObjectScale
Unser Beitrag > KIOXIA stellt CM10-Serie Enterprise-SSDs mit PCIe 6.0 und BiCS FLASH der 10. Generation vor