Q66: SIMD 在游戏中有哪些应用？
核心结论
SIMD 不是“写点 intrinsic 就一定变快”，它适合的是一类非常明确的问题：
- 同一批数据做相同运算
- 数据布局相对连续
- 热路径足够稳定
如果访问模式零散、分支很多、数据准备成本太高，SIMD 的收益可能会被很快吃掉。
一、SIMD 真正适合解决什么
它最适合的是批量、规则、同构运算，例如：
- 向量和矩阵计算
- 批量距离计算
- 碰撞检测中的基础数学
- 音视频、压缩、校验
它的核心优势不在“更聪明”，而在“同一条指令同时处理多份数据”。
二、游戏里常见的应用场景
1. 数学库
这是最典型的落点。
例如：
- 向量加减乘除
- 点积、叉积
- 矩阵变换
- 四元数操作
这类运算结构稳定，最容易从 SIMD 中获得收益。
2. 碰撞和空间计算
例如：
- 批量 AABB 检测
- 多目标距离筛选
- 视锥剔除
如果数据批量足够大，SIMD 往往比纯标量更划算。
3. 图形、动画和物理相关预处理
在客户端和工具链里更常见，例如：
- 骨骼变换
- 顶点处理
- 粒子批量更新
4. 服务端热点数学
服务端也会有应用，例如：
- AOI 范围筛选中的批量距离计算
- 导航或碰撞中的基础运算
- 某些压缩和校验路径
但服务端要更谨慎，因为很多瓶颈其实不在纯数学计算。
三、为什么 SIMD 不是到处都适合
常见限制包括：
- 数据不连续
- 分支过多
- 对象层级太深
- 为了 SIMD 需要大量搬运和重排数据
如果数据准备开销太大，最终可能得不偿失。
四、数据布局比指令本身更重要
SIMD 成败很大程度取决于数据怎么摆。
例如：
- 连续数组通常更容易向量化
- 指针链和零散对象很难有效利用 SIMD
所以 SIMD 优化常常和数据导向设计一起出现，而不是独立发生。
五、自动向量化和手写向量化怎么选
1. 编译器自动向量化
优点是维护成本低，适合结构规整的循环。
2. 手写 intrinsic
优点是控制更细，缺点是代码复杂度明显上升，可移植性也更差。
更务实的顺序通常是：
- 先写清晰可向量化的数据和循环
- 先看编译器是否已做到
- 只有热点明确时再手写优化
六、跨平台是实际工程里的关键代价
不同平台的指令集不同，例如：
- x86 上有 SSE / AVX
- ARM 上常见 NEON
这意味着：
- 需要抽象层
- 需要多套实现或回退路径
- 测试成本会升高
所以 SIMD 不只是性能问题，也是维护成本问题。
七、工程上更稳妥的使用方式
常见做法是：
- 先用 profiling 找纯计算热点
- 优先优化数学库和规则循环
- 让数据布局更适合连续访问
- 保留标量回退实现
这样收益和维护成本更容易平衡。
八、常见误区
1. SIMD 一定能显著提速
不对。只有在数据和访问模式都合适时，收益才明显。
2. 手写 intrinsic 一定比编译器更好
不一定。很多时候编译器已经足够好，手写反而更难维护。
3. 任何热点都适合做 SIMD
如果热点来自锁、I/O、cache miss 或分支抖动，SIMD 帮助很有限。
参考资料
- SIMD、自动向量化和数据导向优化相关资料