intrinsics是编译器提供的CPU指令封装而非内联汇编，需运行时检测CPU支持、内存对齐及标量回退；误用会导致崩溃或性能下降。
intrinsics不是内联汇编，别直接写asm指令
用 _mm_add_ps 这类函数不等于写汇编，它们是编译器提供的、对应特定CPU指令的函数封装，底层生成的是SSE/AVX指令，但你不用管寄存器分配或指令调度。误以为“用了intrinsics就等于手写汇编”是常见误解——编译器仍参与优化，比如重排指令、融合内存操作，甚至在某些条件下把多个 _mm_load_ps 合并成一个 vload。真正手写内联汇编（__asm{} 或 asm volatile）反而更难控制且易被编译器破坏，现代C++项目基本不推荐。
先确认目标CPU支持哪些指令集
没对齐的AVX2代码在只支持SSE4.2的老机器上会崩溃，不是报错而是直接 Illegal instruction。必须显式检查运行时CPU能力，不能只靠编译选项（如 -mavx2）保证安全：
- Windows下用
__cpuid查ECX[5]判断AVX是否可用 - Linux/macOS用
__builtin_ia32_cpuid或cpuid指令，查EDX[26]（SSE2）、ECX[1]（SSE3）、ECX[28]（AVX）等位 - 避免无条件调用
_mm256_add_ps：它生成256位指令，若CPU不支持，程序启动即挂
内存对齐和数据布局直接影响性能
用 _mm256_load_ps 读未对齐内存（地址不是32字节倍数）会导致显著性能下降，尤其在老Intel CPU上可能降频；而 _mm256_loadu_ps 虽兼容，但失去向量化优势。实际处理数组时：
- 分配内存必须用
_mm_malloc( size, 32 )（不是malloc），释放用_mm_free - 结构体字段若含
__m256类型，需加alignas(32)，否则结构体内存布局错乱 - 循环中不要混合使用
_mm_load_ps和_mm_loadu_ps，编译器难以做向量化优化
别忽略标量回退和边界处理
向量化循环通常按块（如8个float）处理，但数组长度常不能整除块大小。硬编码 for (int i = 0; i 会导致越界读写。正确做法：
立即学习“C++免费学习笔记（深入）”；
- 主循环处理
n - n % 8个元素，用_mm256_store_ps - 剩余
n % 8个元素用标量循环或掩码加载（_mm256_maskload_ps，但注意它性能较差） - 避免在循环内反复判断CPU支持与否——提取到函数开头一次判断，分支预测失败代价高
最易被忽略的是：不同编译器对同一intrinsics的优化程度差异很大。Clang可能把连续的 _mm256_add_ps + _mm256_mul_ps 合并成FMA指令，而GCC 9需要显式启用 -mfma 才生效。实测前务必用 objdump -d 看生成的汇编，别只信benchmark数字。
