自動向量化（auto-vectorization）
一般指令一次做一件事：把這兩個數相加、儲存這一個值。但現代處理器還有寬的 SIMD 指令（單指令多資料，Single Instruction Multiple Data），對一整批值同時做同一個操作——一口氣加八對浮點數。自動向量化就是編譯器自動把一個純量迴圈（每次迭代處理一個元素）改寫成使用這些寬指令、每次迭代處理好幾個元素的迴圈。
具體而言，看一個逐元素相加兩個陣列的迴圈：for (i = 0; i < n; i++) c[i] = a[i] + b[i];。如果處理器的 SIMD 單元一次處理 8 個浮點數，編譯器可以把它轉換成一個載入 a 的 8 個值、b 的 8 個值，用一個 SIMD 指令加全部 8 對、再儲存 8 個結果的迴圈——然後迴圈 n/8 次，尾巴用一個純量餘數迴圈。對合適的程式碼，這能快上好幾倍。但向量化只有在迭代彼此獨立時才合法：元素 i 的結果不能依賴元素 i-1 的結果，而記憶體區域也不能偷偷重疊。
它重要在於：這是你不必手寫內建函式（intrinsics）就能得到 SIMD 速度的方式，但它也以脆弱著稱，謹慎的工程師應該理解它「為什麼」失敗。兩大殺手主宰一切。相依性（dependencies）：若 c[i] = c[i-1] + a[i]，每次迭代都需要前一次的結果，所以這一批不能平行跑。別名（aliasing）：在 C 中，如果 a、b、c 是普通指標，編譯器不能假設它們指向不重疊的記憶體——c 可能別名 a——所以它必須假設最壞情況、拒絕向量化，除非你用 restrict 修飾詞另行保證。其他阻礙包括迴圈內的函式呼叫、複雜的流程控制、非連續的記憶體存取。誠實的總結：自動向量化是盡力而為、並非保證；查看編譯器的向量化報告，而不要假設它發生了。
void add(float *a, float *b, float *c, int n) { for (int i = 0; i < n; i++) c[i] = a[i] + b[i]; } // 可能「不會」向量化：c 可能別名 a 或 b。用 restrict 給出保證來修正： void add(float * restrict a, float * restrict b, float * restrict c, int n) { ... }
沒有 restrict，編譯器必須假設陣列可能重疊、可能拒絕 SIMD；restrict 保證它們不會。
自動向量化是盡力而為、並非保證：迴圈攜帶的相依性使它不可能，指標別名使它無法證明，於是編譯器默默保留純量迴圈——請讀向量化報告（例如 -Rpass=loop-vectorize），別假設它觸發了。