C++ 高性能编程：如何用 AVX2 手写达到硬件理论极限的向量点积算子

如果你在 Intel Intrinsics Guide 里搜"dot product"，第一条跳出来的结果就是_mm256_dp_ps——一条名字里赫然写着"dp"（dot product）的 256 位 AVX 指令，它接受两个__m256向量和一个 8 位立即数控制掩码，看上去就是为点积量身定做的，以至于我第一次写 AVX2 点积代码时根本没多想就直接用了它，甚至还在代码注释里得意地写了一句"hardware-accelerated dot product"。然后测试跑出来的数字就是对不上。

花了半个小时 debug 我才意识到问题出在哪：_mm256_dp_ps是一条 128 位 lane 指令——它把 256 位的 YMM 寄存器当成两个独立的 128 位 lane 分别做点积，低 128 位算低 128 位的，高 128 位算高 128 位的，两个 lane 之间完全不通信。你喂进去 8 个 float 的向量对，拿到的不是一个完整的点积结果，而是两个各自独立的 4-float 点积，分别住在结果向量的低半和高半。换句话说，一条名字里写着"点积"的指令，做不了完整的点积。

这不是 bug，这是 AVX 指令集的一个根本性设计约束——也是你理解整个 x86 SIMD 体系的钥匙。

你可能会问：Intel 工程师脑子里在想什么？为什么要设计一条"半残"的点积指令？答案涉及 SSE 到 AVX 的历史包袱、芯片面积与跨 lane 数据通路的工程权衡，以及一个让所有 SIMD 程序员又爱又恨的概念——lane boundary。这些我们后面会一层层拆开讲。

本文将展示一个 AVX2 浮