Современные платформы данных сталкиваются с проблемами оптимизации производительности запросов и соотношения цены и производительности системы, особенно с ростом нагрузки от агентов. Ручная оптимизация запросов становится непрактичной по мере увеличения объема, разнообразия и скорости поступления данных, а также при автоматической генерации запросов агентами. BigQuery превратился в основной движок для эпохи агентного ИИ, ориентированный на автономную обработку запросов. Его дезагрегированная архитектура хранения и вычислений, бессерверная обработка и детальное управление вычислениями способствуют оптимальному соотношению цены и производительности. Ключевые инновации включают самообучающийся движок с оптимизациями на основе истории (HBO), который учится на предыдущих выполнениях запросов для автоматического применения полезных оптимизаций без вмешательства пользователя. Эта система включает защитные механизмы для предотвращения регрессий, отклоняя оптимизации, которые не улучшают производительность. Усовершенствованный рантайм улучшает векторизацию и реализует оптимизации для коротких запросов, ускоряя подходящие запросы и сокращая использование слотов. Эти улучшения последовательно применяются к различным форматам данных, включая открытые архитектуры lakehouse. Гибкое масштабирование улучшает авто масштабирование, позволяя оплачивать вычислительные ресурсы по секундной тарификации и снижая затраты. Эти автономные возможности имеют решающее значение для будущего платформ данных, поскольку ИИ-агентам требуется значительно более высокая задержка запросов и параллелизм, чем у людей. Цель BigQuery — автоматически и безопасно оптимизировать запросы, позволяя пользователям сосредоточиться на предоставлении лучших возможностей, а не на ручном управлении инфраструктурой и оптимизации запросов.