CPOs 解決了什麼問題？ AI 訓練和推論叢集不僅受計算能力限制，更根本地受到網路限制。當 GPU 叢集擴展至數萬甚至數十萬個 GPU 時，三道壁壘同時出現： 1. 帶寬壁壘：每一代新的 GPU（H100 → B200 → Rubin）都需要顯著增加每顆晶片的 I/O 帶寬，以確保計算資源不閒置。互連帶寬的增長速度必須快於計算 FLOPs（每秒浮點運算次數，用於衡量電腦處理複雜數學運算的能力），否則 GPU 將因等待資料而閒置。 2. 功耗壁壘：正如 NVIDIA 的黃仁勳所描述的吉瓦級 AI 數據中心概念，設施的功耗將達到一吉瓦或更高，而每一瓦用於在晶片間傳輸資料的電力，都是未能用於計算的電力。傳統的電氣/光學信號傳輸在將資料送入或送出封裝時，消耗大量電力。 3. 距離壁壘：在 AI 所需的信號速度（每通道 100G+）下，銅質互連（NVLink、PCIe 走線）在數公尺之外會出現嚴重損耗且耗電。光學傳輸雖無此距離限制，但電氣與光學領域之間的轉換會消耗電力並增加元件。 共封裝光學技術（Co-packaged optics）同時解決了這三個問題：不是在電路板邊緣將資料轉換為光信號，而是將光學引擎盡可能靠近產生資料的矽晶片放置，即與交換 ASIC 或 GPU 本身位於同一封裝基板上。