ما المشكلة التي تحلها تقنيات CPO؟ ليست مجموعات تدريب واستنتاج الذكاء الاصطناعي محدودة فقط من حيث الحوسبة، بل أيضًا محدودة جوهريًا من حيث الشبكات. مع توسّع مجموعات GPU إلى عشرات أو مئات الآلاف من وحدات GPU، تظهر ثلاث عقبات في آنٍ واحد: 1. عقبة النطاق الترددي: كل جيل جديد من وحدات GPU (H100 → B200 → Rubin) يحتاج إلى زيادة هائلة في عرض النطاق الترددي للإدخال/الإخراج لكل شريحة لضمان تغذية الحوسبة. يجب أن ينمو عرض النطاق الترددي للربط أسرع من أداء الحوسبة (عدد العمليات النقطية العائمة في الثانية، وهي وحدة تُستخدم لقياس قدرة الحاسوب على معالجة العمليات الرياضية المعقدة)، وإلا فستبقى وحدات GPU عاطلة تنتظر البيانات. 2. عقبة الطاقة: مفهوم مركز بيانات للذكاء الاصطناعي بقدرة جيجاوات، كما وصفه جينسن هوانغ من Nvidia، يتصور مرافق تستهلك جيجاوات أو أكثر من الطاقة، وكل واط يُنفق على نقل البتات بين الشريحتين هو واط لا يُنفق على الحوسبة. إن الإشارات الكهربائية/البصرية التقليدية تستهلك كمية كبيرة من الطاقة فقط لإدخال البيانات وإخراجها من الحزمة. 3. عقبة النطاق: تصبح الموصلات النحاسية (NVLink، مسارات PCIe) مفقودة الطاقة ومستهلكة لها بعد بضعة أمتار عند سرعات الإشارة التي يتطلبها الذكاء الاصطناعي (100G+ لكل قناة). لا تمتلك الإشارات البصرية هذه العقوبة في المسافة، لكن التحويل بين المجالين الكهربائي والبصري يكلّف طاقة ويضيف مكونات إضافية. البصريات المُعبأة معًا هي الحل لجميع هذه العقبات الثلاث في آنٍ واحد: بدلًا من تحويل البيانات إلى ضوء عند حافة اللوحة، تُنقل محركات البصريات بأقرب مسافة ممكنة فيزيائيًا إلى الشريحة التي تولّد البيانات. وهذا يعني على نفس ركيزة الحزمة كوحدة ASIC للتبديل أو وحدة GPU نفسها.