_popcnt64 单次快但整体慢因流水线中断；AVX2通过32字节并行查表模拟popcnt（拆高低4位+双LUT+add）提速3–4倍；真·_mm256_popcnt_epi8属AVX-512vpopcntdq，需CPU支持、内核启用及GCC 11+ -mavx512vpopcntdq编译。
为什么 _popcnt64 比循环查表快，但还不是最快？
因为单条 _popcnt64 指令虽快，但它一次只处理一个 64 位整数；而实际位数组（如 1MB 的 bitmap）包含上万次调用，CPU 流水线常被分支和依赖打断。真正瓶颈不在单个计数，而在数据吞吐和指令级并行度。SIMD 不是“加速 popcnt”，而是让 32 个字节（__m256i）同时进多个 popcnt 单元——前提是硬件支持 AVX2 + POPCNT 指令集。
常见错误现象：__builtin_popcountll 在未开启 -mpopcnt 时退化为慢速查表；用 _mm256_popcnt_epi8 却编译失败——那是因为该 intrinsic 要求 ICC 或 GCC 11+ 且必须启用 -mavx512vpopcntdq，不是普通 AVX2。
- 确认 CPU 支持：运行
cat /proc/cpuinfo | grep -E "(avx|popcnt)"，需同时含avx2和popcnt - GCC 编译必须加
-mavx2 -mpopcnt，否则_mm_popcnt_u64无法内联为硬件指令 - 不要对未对齐内存直接 load：用
_mm256_loadu_si256安全但略慢，若能保证 32 字节对齐，优先用_mm256_load_si256
如何用 AVX2 把 256 位分组并行计数？
AVX2 本身不提供字节级 popcnt，但可用“查表 + 移位 + 掩码”在寄存器内模拟：把每个字节的低 4 位和高 4 位拆开，查两个 16 元素 LUT，再相加。这种方法比标量快 3–4 倍，且兼容所有 AVX2 CPU。
关键点在于避免跨寄存器依赖：不能等第一个 _mm256_shuffle_epi8 结果出来再做第二个——要并行发射 shuffle、and、add 指令。
立即学习“C++免费学习笔记（深入）”；
- 查表用
__m256i lut_lo = _mm256_setr_epi8(0,1,1,2,1,2,2,3,...)静态初始化，避免运行时构造开销 - 提取低 4 位：
_mm256_and_si256(v, _mm256_set1_epi8(0x0F))；高 4 位右移 4 位再 and - 两次
_mm256_shuffle_epi8后，用_mm256_add_epi8合并结果，得到 32 字节各自的 bit count - 最后用
_mm256_sad_epu8（绝对差求和）把 32 字节 sum 成两个 64 位值，再水平加总
_mm256_popcnt_epi8 真实可用吗？什么条件下能写进生产代码？
它真实存在，但属于 AVX-512 子集 vpopcntdq，不是 AVX2。即使 CPU 支持（如 Ice Lake、Sapphire Rapids），Linux 内核默认禁用 AVX-512 以节省功耗，用户态需显式调用 prctl(PR_SET_XSAVE_OFFSET, ...) 并检查 xgetbv，否则会触发 #UD 异常。
错误现象：程序在某些机器上 SIGILL，strace 显示 --- SIGILL {si_signo=SIGILL, si_code=SI_KERNEL, si_addr=NULL} ---，就是 AVX-512 被禁用或未检测。
- 必须运行时检测：
if (__builtin_ia32_cpu_supports("avx512vpopcntdq")) { ... } - GCC 需加
-mavx512vpopcntdq -mavx512f，且链接时确保 glibc ≥ 2.33（旧版无对应 runtime check） - 别把它当 fallback：AVX2 版本在老 CPU 上更稳，AVX-512 版本只应在明确部署环境可控时启用
位数组边界不对齐怎么安全处理剩余字节？
SIMD 主循环处理 len & ~31 字节后，剩下 0–31 字节。这里最容易错的是：用标量循环逐字节处理，却忘了剩余部分可能不足 8 字节，导致 _mm_popcnt_u64 读越界。
正确做法是统一用字节粒度处理尾部，并复用前面的 LUT 逻辑——只是换成 __m128i 或纯标量查表，避免引入新分支预测失败。
- 剩余长度
r = len & 31，用memcpy拷到栈上 32 字节 buffer，再按 AVX2 方式处理（安全且无分支） - 如果 r _mm_loadu_si128 + 同套 shuffle/add 流程，比写 if-else 分支更高效
- 绝对不要对原始指针做
(uint64_t*)ptr[r]强转——未定义行为，Clang 可能优化掉边界检查
最易被忽略的是：popcnt 结果累加本身可能成为瓶颈。别用 sum += _mm256_extract_epi32(...) 循环提取——这强制串行化。应该用 4 个 64 位累加器寄存器，每轮加一个 _mm256_sad_epu8 的两路输出，最后才 horizontal add。寄存器重命名和指令级并行，得从累加器设计就开始考虑。
