蔚来 AI Infra 实习 HR面
Q: C++11/14/17/20各版本有哪些重要新特性？
C++11（革命性更新，现代C++起点）：
- auto类型推导：编译器自动推断变量类型，减少冗余声明
- lambda表达式：
[captures](params){body}定义匿名函数对象 - 右值引用 && 移动语义：避免不必要的深拷贝，性能关键特性
- 智能指针：unique_ptr/shared_ptr/weak_ptr，RAII内存管理
- std::thread：标准线程库（之前依赖pthread/Win32）
- range-based for：
for (auto& x : vec)简洁遍历 - constexpr：编译时常量表达式求值
- nullptr：替代NULL（类型安全）
- variadic templates：可变参数模板（enable perfect forwarding）
C++14（小幅改进）：
- 泛型lambda：
[](auto x, auto y) { return x + y; } - 返回类型推导：函数返回类型auto
- std::make_unique：安全构造unique_ptr
- constexpr放宽：允许循环和局部变量
C++17（实用特性）：
- 结构化绑定：
auto [x, y, z] = tuple;解包 - if constexpr：编译时条件分支（模板中极其有用）
- std::optional/variant/any：更安全的值语义类型
- 折叠表达式：简化variadic template展开
- 并行STL算法：
std::sort(std::execution::par, ...) - filesystem库：标准文件系统操作
C++20（又一次重大更新）：
- Concepts：约束模板参数（编译错误可读性大幅提升）
- Ranges：惰性求值的范围操作（管道式
|语法） - Coroutines：协程支持（co_await/co_yield/co_return）
- Modules：替代头文件的模块系统（加速编译）
- std::format：类Python的格式化字符串
- **三路比较<=>**：一个operator实现所有比较运算
AI Infra开发中常用的特性：
- 移动语义：大tensor/buffer的所有权转移
- constexpr：编译时计算kernel配置参数
- CRTP(C++11)：静态多态替代虚函数（zero-overhead抽象）
- std::atomic：无锁并发数据结构
- 结构化绑定：解包CUDA kernel的配置参数
Q: CUDA、TensorRT、TVM各自的定位和区别？
三者在深度学习部署生态中的层次：
1 | 高层(易用) ←──────────────────────────────→ 底层(灵活) |
详细对比：
| 维度 | CUDA | TensorRT | TVM |
|---|---|---|---|
| 定位 | GPU通用计算平台 | NVIDIA推理优化引擎 | 开源DL编译器框架 |
| 抽象级别 | 线程级编程 | 模型级自动优化 | 张量表达+自动调度 |
| 开发效率 | 低（手写kernel） | 高（自动优化） | 中（需要搜索时间） |
| 性能上限 | 理论100% | ~95%(NVIDIA GPU) | 70-90%(取决于硬件) |
| 硬件支持 | 仅NVIDIA GPU | 仅NVIDIA GPU | 多后端(GPU/CPU/NPU) |
| 灵活性 | 最高（任意操作） | 低（预定义优化） | 中（可自定义调度） |
| 动态shape | 完全支持 | 有限(需profile多shape) | 有限(静态编译) |
| 开源 | SDK开源,驱动闭源 | 闭源核心,开源接口 | 完全开源 |
典型使用场景：
- CUDA：开发FlashAttention这类需要极致优化的核心算子
- TensorRT：部署成熟模型到NVIDIA GPU（如自动驾驶的实时推理）
- TVM：需要跨硬件平台部署（同一模型部署到GPU+手机NPU+边缘设备）
实际工程中的组合使用：
1 | 模型训练(PyTorch) → ONNX导出 → TensorRT部署(NVIDIA GPU) |