Starburst Torin รัน SQL บน GPU เร็วขึ้นสูงสุด 7 เท่า ไม่ต้องย้ายข้อมูลหรือแก้คิวรี
Starburst เปิด Starburst Torin 21 ต.ค. 2026 เอนจิน SQL บน GPU ของ NVIDIA ที่สร้างบน Trino และ cuDF เร็วขึ้นสูงสุด 7 เท่าใน TPC-H อ่าน Iceberg ที่เดิม
โดย กองบรรณาธิการ THAI DATA อ่าน 4 นาที
สรุปประเด็นสำคัญ
- Starburst ประกาศเมื่อ 21 ตุลาคม 2026 เปิด Starburst Torin แบบ limited general availability สำหรับ Starburst Enterprise ที่องค์กรติดตั้งเอง เป็นเอนจินคิวรีที่รันบน GPU ของ NVIDIA สร้างบน Trino และ NVIDIA cuDF
- ผลทดสอบของ Starburst: TPC-H บน GPU Blackwell เร็วขึ้นสูงสุด 7 เท่า คิวรีที่เร็วที่สุด 11.4 เท่า และ ClickBench บน GPU L4 ได้ throughput 3.4 เท่าของ CPU ที่ค่าฮาร์ดแวร์รายชั่วโมงใกล้กัน
- ต้องมี GPU ของ NVIDIA หนึ่งตัวต่อ worker หน่วยความจำ GPU อย่างน้อย 24 GB (แนะนำ 80 GB ขึ้นไป) รองรับสถาปัตยกรรม Ampere, Ada Lovelace, Hopper และ Blackwell
- งานที่ GPU ยังไม่รองรับ เช่น right join, DISTINCT, UDF และชนิดข้อมูล ARRAY/MAP จะรันต่อบน CPU ในคิวรีเดียวกัน ข้อมูล Iceberg และ Hive ในรูปแบบ Parquet อ่านได้ที่เดิม
Starburst ประกาศเมื่อวันที่ 21 ตุลาคม 2026 เปิด Starburst Torin เอนจินคิวรี SQL ที่รันบน GPU ของ NVIDIA แบบ limited general availability สำหรับ Starburst Enterprise ผลทดสอบของบริษัทระบุว่า TPC-H เร็วขึ้นสูงสุด 7 เท่า โดยองค์กรไม่ต้องย้ายข้อมูล ไม่ต้องแก้คิวรี และยังใช้เอนจิน CPU เดิมคู่กันได้
Starburst เป็นผู้ให้บริการแพลตฟอร์มข้อมูลที่สร้างบน Trino เอนจินคิวรีโอเพนซอร์ส และ Apache Iceberg บริษัทระบุว่ามีลูกค้าในกว่า 60 ประเทศ รวมถึง Comcast, Citigroup และธนาคารใหญ่ 4 ใน 5 อันดับแรกของโลก Torin สร้างตัวดำเนินการ SQL บนไลบรารี NVIDIA cuDF โดยวิศวกรของ NVIDIA ช่วยปรับแต่งให้เหมาะกับ GPU สถาปัตยกรรม Blackwell
Starburst Torin ทำงานอย่างไร
Torin ไม่ใช่ชั้นเร่งความเร็วที่ครอบเอนจิน CPU เดิม แต่เป็นเอนจินประมวลผลตัวใหม่ที่ทำงานคู่กับเอนจิน CPU ภายใต้ SQL ชุดเดียวกัน หน้าผลิตภัณฑ์อธิบายขั้นตอนไว้ 4 ข้อ
- แอปพลิเคชันและ AI agent ส่ง SQL ชุดเดิมที่ใช้อยู่ ไม่ต้องเขียนใหม่
- คิวรีอ่านตาราง Apache Iceberg และ Hive ที่เก็บเป็น Parquet จากที่เดิม ไม่ต้องคัดลอก
- งานที่ GPU รองรับ ได้แก่ table scan, filter, projection, GROUP BY และ aggregate ที่ใช้บ่อย, inner join, left join, TopN และฟังก์ชัน scalar ที่ใช้บ่อย รันบน GPU
- งานที่เหลือ เช่น right join, DISTINCT, user-defined function และชนิดข้อมูลซับซ้อนอย่าง ARRAY กับ MAP รันต่อบน CPU ในคิวรีเดียวกัน คิวรีจึงไม่ล้มเพราะ GPU ไม่รองรับ
บล็อกวิศวกรรมของ Starburst ระบุด้วยว่าการเชื่อม GPU นี้พัฒนาอยู่ใน Trino ฉบับเชิงพาณิชย์ของ Starburst เอง ไม่ได้อยู่ใน Trino โอเพนซอร์ส ซึ่งเป็นโครงการอิสระที่มีมูลนิธิของตัวเองดูแล องค์กรที่ใช้ Trino โอเพนซอร์สโดยตรงจึงยังไม่ได้ความสามารถนี้ ฝั่ง CPU บริษัทบอกว่าเอนจินเดิมของ Starburst Enterprise รองรับ CPU NVIDIA Vera ที่ NVIDIA เปิดตัวในงาน GTC เมื่อเดือนมีนาคมแล้วด้วย
ผลทดสอบ Starburst Torin และข้อควรรู้
| ชุดทดสอบ | ฮาร์ดแวร์ | ผลที่ Starburst รายงาน |
|---|---|---|
| TPC-H | GPU Blackwell บน AWS g7e.4xlarge เทียบ CPU m8g.8xlarge | เร็วขึ้นสูงสุด 7 เท่า คิวรีที่เร็วที่สุด 11.4 เท่า |
| ClickBench | GPU L4 บน AWS g6.4xlarge | throughput 3.4 เท่าของ CPU ที่ค่าฮาร์ดแวร์รายชั่วโมงใกล้กัน |
| TPC-H SF1000 (เอนจิน CPU) | CPU NVIDIA Vera เทียบ Intel Xeon 6 | เร็วกว่า 1.48 เท่า ใช้ CPU-seconds น้อยลงราว 33% ต่อคิวรี |
ตัวเลขทั้งหมดมาจากการทดสอบของ Starburst บน Starburst Enterprise รุ่น 483-e แบบโหนดเดียวในสภาพแวดล้อมพัฒนา ค่าเร่งความเร็วเป็นค่าเฉลี่ยเรขาคณิตของแต่ละคิวรี และต้นทุนนับเฉพาะค่าฮาร์ดแวร์ ไม่รวมค่าไลเซนส์ซอฟต์แวร์ หน้า FAQ ของบริษัทยอมรับว่าการเร่งความเร็วขึ้นกับคิวรี งานที่ได้ประโยชน์มากที่สุดคือการสแกน join และ aggregate ขนาดใหญ่บนตาราง Iceberg และ Hive ส่วนบางคิวรีไม่เร็วขึ้นเลย
ทำไมเรื่องนี้สำคัญ
Justin Borgman ผู้ร่วมก่อตั้งและ CEO ของ Starburst อธิบายว่า AI agent หนึ่งตัวอาจยิงคิวรีหลายสิบถึงหลายร้อยครั้งเพื่อจบงานเดียว ความเร็วของแต่ละคิวรีจึงสะสมเป็นเวลารอของทั้งงาน บล็อกวิศวกรรมของบริษัทยกตัวอย่างว่า ถ้า agent ต้องรันคิวรีต่อกัน 10 ครั้ง ครั้งละ 2 วินาที จะเสียเวลารอข้อมูล 20 วินาทีต่องาน และถ้าเร่งได้เฉลี่ย 4.6 เท่าตามผลทดสอบช่วงพัฒนา เวลารอจะเหลือราว 4 วินาที ซึ่งเป็นความต่างระหว่างระบบที่ตอบทันใจกับระบบที่ผู้ใช้ต้องนั่งรอ บล็อกเดียวกันชี้ว่างานใน pipeline ของ agent หลายแบบ เช่น การเตรียมข้อมูลด้วย join และ aggregate การค้นข้อความด้วย regular expression และการรับคิวรีพร้อมกันจาก agent หลายตัว เป็นงานที่ GPU ทำได้ดีอยู่แล้ว ขณะเดียวกันหลายองค์กรลงทุนซื้อ GPU ไว้สำหรับงาน AI อยู่แล้ว Starburst Torin เปิดทางให้ GPU ชุดเดียวกันมาช่วยงาน SQL ที่ป้อนข้อมูลให้ agent ด้วย นอกจากนี้ Starburst กำลังนำโมเดล NVIDIA Nemotron Retriever และ โมเดล NVIDIA Kumo เข้าไปใน Starburst AIDA สำหรับลูกค้าสถาบันการเงิน เพื่อใช้กับงานตรวจจับการทุจริต ติดตามความเสี่ยงสินเชื่อ และ KYC
ผลต่อองค์กรไทย
- ตรวจว่าใช้ Starburst แบบไหน ตอนนี้ Starburst Torin เปิดเฉพาะ Starburst Enterprise ที่องค์กรติดตั้งเอง และอยู่ในสถานะ limited general availability ประกาศยังไม่ได้ระบุว่าจะเปิดบนบริการคลาวด์ของ Starburst เมื่อใด
- เช็กสเปก GPU ที่มีอยู่ เซิร์ฟเวอร์ AI ที่ซื้อไว้ต้องมีหน่วยความจำ GPU อย่างน้อย 24 GB ต่อ worker และควรถึง 80 GB ขึ้นไป รวมทั้งต้องอยู่ในรายการฮาร์ดแวร์ที่ Starburst รับรองจึงจะได้ซัพพอร์ตระดับ production
- ทดสอบกับคิวรีจริงก่อนซื้อเพิ่ม ใช้ EXPLAIN ANALYZE ดูว่าคิวรีหลักขององค์กรรันบน GPU ได้กี่ส่วน เพราะคิวรีที่มี DISTINCT, right join หรือ UDF จะยังรันบน CPU
- คิดต้นทุนรวมไลเซนส์ ตัวเลขความคุ้มค่าที่ Starburst ประกาศนับเฉพาะค่าฮาร์ดแวร์ ต้องรวมค่าไลเซนส์และค่าไฟของเซิร์ฟเวอร์ GPU ก่อนเทียบกับการเพิ่ม CPU
- ข้อมูลอยู่ที่เดิม การอ่าน Iceberg และ Hive ในที่เดิมช่วยให้ข้อมูลที่ต้องเก็บในประเทศตามนโยบายองค์กรหรือ PDPA ไม่ต้องย้ายไปแพลตฟอร์มใหม่
ติดตามข่าวฐานข้อมูลและแพลตฟอร์มข้อมูลได้ที่หมวด ข้อมูลและฐานข้อมูล
คำถามที่พบบ่อย
Starburst Torin คืออะไร?
Starburst Torin คือเอนจินคิวรี SQL ที่รันบน GPU ของ NVIDIA ซึ่ง Starburst สร้างบน Trino และไลบรารี NVIDIA cuDF ทำงานคู่กับเอนจิน CPU เดิมของ Starburst Enterprise งานที่ GPU รองรับจะรันบน GPU ส่วนที่เหลือรันบน CPU ในคิวรีเดียวกัน เปิดแบบ limited general availability เมื่อ 21 ตุลาคม 2026
Starburst Torin เร็วขึ้นแค่ไหน?
ผลทดสอบของ Starburst เองบน AWS แบบโหนดเดียว พบว่า Starburst Torin รัน TPC-H บน GPU Blackwell เร็วขึ้นสูงสุด 7 เท่า คิวรีที่เร็วที่สุด 11.4 เท่า และ ClickBench บน GPU L4 ได้ throughput 3.4 เท่าของ CPU ที่ค่าฮาร์ดแวร์ใกล้กัน บริษัทระบุว่าผลจริงขึ้นกับงานและบางคิวรีไม่เร็วขึ้นเลย
ใช้ Starburst Torin ต้องแก้ SQL หรือย้ายข้อมูลไหม?
ไม่ต้อง Starburst ระบุว่าแอปพลิเคชันและ AI agent ส่ง SQL เดิมได้ทันที และ Starburst Torin อ่านตาราง Apache Iceberg และ Hive ที่เก็บเป็น Parquet จากที่เดิม ส่วนงานที่ GPU ไม่รองรับจะส่งต่อให้เอนจิน CPU โดยอัตโนมัติ ใช้คำสั่ง EXPLAIN ANALYZE ดูได้ว่าส่วนไหนรันที่ใด
Starburst Torin ต้องใช้ฮาร์ดแวร์อะไร?
Starburst Torin ต้องมี GPU ของ NVIDIA หนึ่งตัวในแต่ละ worker ของ Starburst Enterprise หน่วยความจำ GPU อย่างน้อย 24 GB และแนะนำ 80 GB ขึ้นไป รองรับ GPU สถาปัตยกรรม Ampere, Ada Lovelace, Hopper และ Blackwell โดยซัพพอร์ตระดับ production ใช้กับฮาร์ดแวร์ที่ผ่านการรับรองเท่านั้น
แหล่งอ้างอิง
- Starburst Introduces Torin, a GPU-Native Analytics Engine Built on NVIDIA cuDF — Starburst
- GPU-native query engine | Starburst Torin — Starburst
- GPU-Accelerated SQL Analytics: How Starburst and NVIDIA Deliver Industry Benchmark Speedups on GPU Infrastructure — Starburst
- NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data — NVIDIA
บุคคล องค์กร และสถานที่ในข่าวนี้
เลือกชื่อเพื่ออ่านข่าวทั้งหมดที่กล่าวถึง ตัวเลขคือจำนวนข่าว
- องค์กรและบริษัท
- Starburst2NVIDIA53AWS51Citigroup6Intel23
- ผลิตภัณฑ์และเทคโนโลยี
- Trino3Blackwell15Apache Iceberg7NVIDIA Vera5
- กฎหมายและมาตรฐาน
- PDPA132
พบข้อมูลคลาดเคลื่อน? แจ้งกองบรรณาธิการ