Google Cloud 的 BigQuery 在 2025 年实现了显著的性能与成本优化。官方博客宣布，通过一系列自主优化技术，整体查询性能提升了 35%，查询处理成本（即 slot 用量）最多降低了 40%。这些改进源于三个核心创新：

1. 基于历史的优化引擎 (HBO)：该引擎从过去查询的执行统计中学习，自动记住并复用有效的优化策略，同时避免重蹈覆辙。它无需用户修改 SQL、重写应用或调整模式。该系统内置了安全护栏和自我纠正机制：当优化效果不佳或导致性能倒退时，会立即被撤销。某企业客户报告其 P90 执行时间下降了 50%，slot 用量降低了 15%。

2. 高级运行时引擎：包括增强的矢量化执行，利用新处理器指令（SIMD）避免重复计算，可将符合条件的查询加速高达 10 倍，减少 40% 的整体 slot 时间。另一项是短查询优化，为高并发、低延迟场景（如 BI 仪表盘和 Agent 应用）设计，通过减少数据处理阶段来降低延迟，对短查询实现高达 10 倍的 slot 节省，P99 延迟达到亚秒级，并在部分客户负载中带来了 3 倍的吞吐量提升。

3. 弹性扩缩容 (Fluid Scaling)：BigQuery 的计费基于 slot 秒消耗量，而非固定集群。新的弹性扩缩容模型实现了真正的按秒计费，并平均为弹性扩缩容工作负载降低 34% 的成本。客户 RISE 报告其基础设施成本降低了 25%。

重要的是，所有这些性能优化对开放表格式（如 Apache Iceberg）同样适用。博客强调，这些自主优化能力是为 AI Agent 时代奠基，因为 Agent 生成的高并发、低延迟查询 (QPS) 远超人类手动优化的能力范围。最终，BigQuery 的目标是成为无需人工干预的自主查询处理器，让用户专注于业务目标。