如何以最快且可预测的方式实现16个单字节数组对应元素相加？

我有两个无重叠的16字节数组a和b，需要将每个b[i]与对应的a[i]相加，且已知每个相加结果都能容纳在单个字节内（这点至关重要）。

参考实现 #

void add16_reference (uint8_t *as, uint8_t *bs) {
   for (auto i = 0; i < 16; i++) {
     as[i] += bs[i];
   }
}

当前最优实现 #

我尝试了多种重写方式，目前找到的最优实现如下：

typedef unsigned __int128 uint128_t;

void add16_v3 (uint8_t *as, uint8_t *bs) {
    uint128_t a, b, s;

    std::memcpy(&a, as, 16);
    std::memcpy(&b, bs, 16);

    s = a + b;
    std::memcpy(as, &s, 16);
}

GCC和Clang都能把这段代码编译成2条mov指令和2条add指令，效果不错，但我想知道是否存在更优的实现方式。

遇到的问题与思考 #

• 由于已知单个相加结果不会溢出单字节，我认为可以用一次加法完成操作。
• 观察编译结果发现，编译器有时会生成SIMD指令，有时不会。这点很关键，基准测试显示普通mov/add指令的速度约为SIMD的8倍。此外，无法确保编译器始终采用某种优化方式——比如某个版本在本地编译出mov/add指令，但在基准测试环境中却生成了SIMD指令。
• 我尝试用reinterpret_cast替代memcpy，但无论怎么调整都会生成类SIMD指令；另外在C语言的参考实现中给as和bs添加restrict关键字后，编译器始终会生成SIMD指令（这符合预期）。

核心疑问 #

综合以上情况，是否存在更快、更简洁、更可预测的方式来实现这些数字的相加？

编辑说明：感谢@Jan指出原基准测试有误，更新后的版本可能正确。

内容的提问来源于stack exchange，提问作者adrianton3