Има ли SIMD инструкции за ускоряване на изчисленията на контролната сума?

Ще трябва да кодирам много елементарна функция за контролна сума, нещо като:

char sum(const char * data, const int len)
{
    char sum(0);
    for (const char * end=data+len ; data<end ; ++data)
        sum += *data;
    return sum;
}

Това е тривиално. Сега, как трябва да оптимизирам това? Първо, вероятно трябва да използвам някакъв std::for_each с ламбда или нещо подобно:

char sum2(const char * data, const int len)
{
    char sum(0);
    std::for_each(data, data+len, [&sum](char b){sum+=b;});
    return sum;
}

След това мога да използвам множество нишки/ядра, за да обобщя парчета, след което да добавя резултатите. Няма да го запиша и се страхувам, че разходите за създаване на нишки (или получаването им от пул така или иначе), след това разрязване на масива, след това изпращане на всичко и т.н., няма да са много добри, като се има предвид, че най-вече бих изчисляване на контролни суми за малки масиви, предимно 10-100 байта, рядко до 1000.

Но това, което наистина искам, е нещо от по-ниско ниво, някои SIMD неща, които да сумират байтове в 128b регистри или може би да сумират байтове независимо между два регистъра, без да носят преноса, или и двете.

Има ли такова нещо там?

Забележка: Това Е действително преждевременна оптимизация, но е забавно, така че какво, по дяволите?

Редактиране: Все още имам нужда от начин да обобщя всички байтове в SSE регистър, нещо по-добро от

char ptr[16];
_mm_storeu_si128((__m128i*)ptr, sum);
checksum += ptr[0] + ptr[1] + ptr[2]  + ptr[3]  + ptr[4]  + ptr[5]  + ptr[6]  + ptr[7]
          + ptr[8] + ptr[9] + ptr[10] + ptr[11] + ptr[12] + ptr[13] + ptr[14] + ptr[15];