在2015年之前GPU数据库还只是一个技术案例的演示版本，自2015年以来已经陆续有基于GPU加速的数据库。
GPU数据库的若干优点
针对大量数据执行重复性操作时，GPU数据库相比常规的CPU数据库有了显著改进。这是由于GPU在每块卡上可能有数千个核心和高带宽内存。
GPU具有许多独特的优点：
1.更快速的创新:GPU仍然遵循阿姆达尔定律（Amdahl’s law），效率提升通常是CPU速度提升的两倍，而且发布周期短得多。与CPU相比，GPU在处理同样的工作负载时通常快10倍至100倍。
GPU尺寸小得多（大小只有CPU的1/6.5至1/20）。仅仅16台GPU加速的服务器拥有与1000个CPU集群一样强大的执行能力。
具有实时可视化和处理数据的能力。由于数据驻留在强大的图形渲染引擎上，结果以极快的速度显示！
2.数据获取速度非常快：
近实时数据探索――实时数据探索和飞快的获取速度通常意味着，数据科学家和机器学习算法确实从使用GPU中获益良多。
通俗的来说：
CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂; 所以CPU一般由几个针对顺序串行处理而优化的内核组成
GPU
GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境. 所以一般GPU具有一个大规模并行架构，由数千个更小，效率更高的内核组成，用于同时处理多个任务。
GPU数据库vs传统数据库：
GPU和数据库各有所长，GPU数据库擅长处理需要大量数学密集型运算的任务，比如视觉模拟、超快数据库事务、计算视觉
和机器学习等任务，而数据库擅长于特定要求的计算，如比较复杂的连接计算
目前市场上出现的GPU数据库：
MapD
git地址：https://github.com/omnisci/mapd-core
产品定位：GPU OLAP database
基于C++开发的MapD数据库核心，开源遵循GPL3协议。MapD公司成立于2013年总部位于旧金山，是一家为企业提供图形处理器GPU数据分析服务的初创企业，率先使用图形处理单元（GPU）来以毫秒为单位来分析数十亿行的数据，比传统的基于CPU的系统快。
2018年9月品牌重命名为OmniSci。2018年10月获得C轮5500万美元的融资。
此前MapD,
2017年3月获得2500万美元B轮融资
2016年3月获得1000万美元A轮融资；
2014年10月获得200万美元种子轮融资；
2014年3月获得10万美元风险投资。
公司网址：https://sqream.com
git地址：https://github.com/SQream
产品定位：
以色列公司，目前采用的闭源代码，2018年国内的阿里巴巴有投资此公司，目前在阿里云可试用。
SQream于2018年5月获得了阿里巴巴集团领投的2640万美元B轮融资,总融资额将达到4000万美元。
以色列 Sqream，2015 年种子轮$7.5M，2017 年 A 轮$24M。
公司网站：http://blazingdb.com
git地址：https://github.com/blazegraph/database
产品定位：Distributed GPU SQL Engine on RAPIDS
BlazingDB是一个GPU驱动的数据库，主要针对使用PostgreSQL、MySQL或Amazon Redshift数据库的公司，BlazingDB的创造者声称BlazingDB的速度提升要远超其它产品。
基于java开发，目前只支持ubuntu 16.04 LTS,可以支持docker运行.
ZILLIZ（上海赜睿信息科技有限公司）
产品定位：GPU OLAP数据库.
2016年成立于中国上海，2018年获得A1轮融资1000万美元，总融资金额超过1100万美元。
Blazegraph:
网站：https://www.blazegraph.com/
产品定位：GPU Graph Database
Kinetica
git地址：https://github.com/kineticadb
产品定位：High Performance Analytics Database
美国 Kinetica，2016 年种子轮共$13M，2017 年 6 月 A 轮$50M，共融资$63M(6300万美元)
pg_storm:
git地址：https://github.com/heterodb/pg-strom
兼容postgresql的GPU数据库.
产品定位：World's Fastest & Most Advanced GPU Database
该产品基于postgresql开发。
参考：