展开循环，让着色器提速10倍
内容提要
作者发现Blender的Kuwahara着色器在苹果M4 Max上GPU仅比CPU快不到两倍，经Xcode分析，内层循环未展开导致大量整数比较选择指令，占87%。手动添加[[unroll]]展开循环后，着色器提速10倍，浮点运算占比升至79%；在RTX 3080Ti上也快2倍，寄存器减半、占用率翻倍。该优化已合并进Blender 5.3。
延伸解读
性能异常：GPU加速比远低于预期
在苹果M4 Max上，Kuwahara着色器的GPU耗时220ms，仅比CPU的385ms快不到两倍，而RTX 3080Ti上GPU比CPU快约20倍。这种异常比例提示GPU路径可能存在优化不足，而非硬件本身性能问题。
瓶颈定位：整数比较选择指令占比87%
Xcode性能分析显示，着色器指令中浮点运算仅占12%，而条件、整数和布尔指令高达87%。进一步反汇编发现，内层循环未展开导致数组索引被编译为大量icmpsel指令，每次循环迭代产生约200条整数选择指令。
优化手段：手动循环展开
在BSL着色器语言中，为内层循环添加[[unroll]]属性，强制编译器展开循环体。展开后，M4 Max上着色器耗时从220ms降至20.4ms，提速10倍；浮点运算占比升至79%，整数条件指令降至17%。
跨平台效果与启示
在RTX 3080Ti上，展开循环同样带来2倍提速，寄存器使用从204降至113，占用率翻倍。该优化已合并至Blender 5.3。案例表明，即使编译器通常能优化循环，但在特定情况下手动展开仍能显著提升性能，且跨平台收益可能超出预期。
Q&A
为什么在苹果M4 Max上Kuwahara着色器的GPU加速比只有不到2倍？
因为内层循环未被编译器展开，导致着色器指令中87%是整数比较选择指令，浮点运算仅占12%，严重拖累了GPU性能。
如何通过循环展开优化Kuwahara着色器？
在BSL着色器语言中，为内层循环添加[[unroll]]属性，强制编译器展开循环体，避免因数组索引产生大量整数选择指令。
循环展开后Kuwahara着色器在M4 Max上性能提升了多少？
着色器运行时间从220ms降至20.4ms，提速10倍；浮点运算指令占比从12%升至79%，条件与整数指令从87%降至17%。
循环展开对NVIDIA RTX 3080Ti上的Kuwahara着色器有什么影响？
计算调度时间从17.8ms降至9.5ms，提速2倍；寄存器使用从204个减至113个，占用率翻倍，FMA浮点指令占比从44%升至60%。
Kuwahara着色器为什么会产生大量整数比较选择指令？
因为循环未展开时，数组索引变量导致编译器无法直接索引寄存器，只能生成一系列if-else比较选择指令来模拟数组访问，每次循环迭代约产生200条整数选择指令。
这个Kuwahara着色器优化被合并到哪个Blender版本？
该优化已合并到Blender 5.3版本（PR 164617）。
