大位向量中最低有效置位位的高效查找及宽内存访问宽度优化技术问询

我现在碰到一个性能关键场景下的优化问题，想找大家帮忙出出主意：

我有一个单内存页内、大小为N位的位向量（bit-vector），N的平均值是5000位（5k位），用来存储标志信息。这个场景的调用频率极高，核心需求是快速找到整个位向量中的第一个置位位。

目前我是逐64位字处理的，用GCC的__builtin_ctzll()函数来完成单字内的置位位查找。但当N增大后，搜索算法本身已经没法再优化了，我想知道能不能通过扩展内存访问宽度（比如用128/256/512位寄存器）来提升搜索性能？这是我最核心的疑问。

背景细节 #

在x86-64架构里，__builtin_ctzll()对应汇编指令BSF，能以极低开销在64位字中找到最低置位位。但我想搞清楚：怎么通过内存宽度扩展来实现更高效的全向量查找？我需要的是可直接使用的C API函数，同时也希望了解这种方法的底层实现原理。

支持的CPU范围 #

这个优化方案需要兼容以下CPU产品线：

• Intel Xeon E3-12XX
• Intel Xeon E5-22XX/26XX/E56XX
• Intel Core i3-5XX/4XXX/8XXX
• Intel Core i5-7XX
• Intel Celeron G18XX/G49XX
  （可选支持：Intel Atom N2600、Intel Celeron N2807、ARM Cortex-A53/72）

额外的前置运算优化需求 #

还有个补充点：在执行最终的位扫描操作前，我需要对k个（平均20-40个）N位向量执行CPU AND运算（这个AND的结果是位扫描的前置准备），同样希望通过内存宽度扩展实现比逐64位字AND更高效的运算。

内容的提问来源于stack exchange，提问作者red0ct