CPOはどのような問題を解決するのか？ AIトレーニングおよび推論クラスタは、計算リソースに制約されるだけでなく、根本的にネットワークに制約される。GPUクラスタが数万、あるいは数十万GPU規模に拡大すると、同時に以下の3つの壁が現れる。 1. バンド幅の壁：新しいGPU世代（H100 → B200 → Rubin）は、計算を継続的に供給するために、チップあたりのI/Oバンド幅を大幅に必要とする。インターコネクトのバンド幅が計算能力（浮動小数点演算每秒、FLOPs、コンピュータの複雑な数学処理能力を測る単位）よりも速く成長しないと、GPUがデータを待ってアイドル状態になる。 2. 電力の壁：NVIDIAのジェンセン・ホアンが説明するギガワット規模のAIデータセンターは、1ギガワット以上の電力を消費する施設を想定している。チップ間でビットを移動するために消費される電力は、計算に使われない電力である。従来の電気/光信号は、データをパッケージ内外に送受信するだけで多くの電力を消費する。 3. 到達距離の壁：AIが要求する信号速度（1レーンあたり100G以上）で、銅インターコネクト（NVLink、PCIeトレース）は数メートルを超えると損失が大きくなり、電力消費も増加する。光学信号はこの距離制限がないが、電気と光のドメイン間の変換には電力が消費され、部品も追加される。 コパッケージドオプティクス（CPO）は、この3つの問題を同時に解決する答えである。ボードの端でデータを光に変換するのではなく、データを生成するシリコンに物理的に可能な限り近い場所に光学エンジンを配置する。つまり、スイッチASICやGPU自体と同じパッケージ基板上に配置する。