4BモデルがPostgresのクエリ計画を高速化──AIはデータベース最適化をどこまで変えるか

開発者のRohan Bansal氏は、4B規模のオープンウェイトモデルを後処理学習し、Postgresのクエリ計画を改善する実験結果を公開しました。Joinが多い113件のクエリで、Postgres標準計画に対して平均44.7%のレイテンシ削減を達成したとしています。

データベースのクエリ最適化は、長年研究されてきた難問です。今回の実験は、LLMが自然言語だけでなく、実行時間という検証可能な指標を持つシステム最適化にも使える可能性を示しています。

なぜクエリ最適化は難しいのか

SQLの結果は同じでも、テーブルを結合する順番やJoinアルゴリズムによって実行時間は大きく変わります。特にJoin順序の探索は組み合わせ爆発を起こしやすく、古典的にも難しい問題として知られています。

同氏は、言語モデルに「よいクエリ計画」を直接覚えさせるのではなく、実行時間で良し悪しを測れる点に着目しました。実行が速い計画を強化し、遅い計画を避けるように学習させることで、モデルがPostgresの計画を上回るケースを作ったという流れです。

実務導入には慎重な検証が必要

この成果をそのまま本番DBへ適用できるわけではありません。クエリ最適化はデータ分布、インデックス、キャッシュ状態、同時実行負荷、実行環境によって結果が揺れます。記事でも、Linuxページキャッシュの影響を抑える測定環境や、ノイズのある実行時間を扱う工夫が説明されています。

それでも、実行結果で評価できる領域ではAIエージェント型の最適化が現実味を帯びています。SQLチューニング、コンパイラ最適化、クラウドコスト削減、テストケース生成のように「速い・安い・正しい」を測れる作業は、AIと相性が良い可能性があります。

日本企業への示唆

多くの企業では、データベース性能問題がアプリケーション改善やクラウド費用に直結します。AIがチューニング候補を提示できれば、熟練DBAの知見を補助し、調査時間を短縮できるかもしれません。

ただし、AIが出したクエリ計画を盲信するのは危険です。再現性のあるベンチマーク、ロールバック可能な設定、監視、段階的な適用が不可欠です。今回の実験は、AIがシステム運用の意思決定を支援する未来を感じさせる一方で、評価基盤そのものの重要性を改めて示しています。

参考：Rohan Bansalブログ / Hacker News