哪个快？应该是第一个，因为同时8个服务生，交错开接单，当然能减少某个客人犹豫、磨磨叽叽带来的延迟。让4个大厨忙个不停。

别忘了，我们之前已经探讨了，开启超线程以后，因为增加了4个服务员，会带来额外的开销 - 每个客人入队前都会犹豫，都要花时间思考 - “两个队我究竟应该怎么排？哪个队人少？哪个服务生看的养眼？。。。。”。这种额外的开销（处理延迟，性能损耗）是硬件级别的，是英特尔设计CPU的时候就规定死了的。我们任何事都无法解决硬件方面的问题。而唯一的办法就只能是 ---->  关掉HT。但关掉HT，每个队列变成16个客人，而每个服务生，从接待8个客人，增加到16个客人（AS延迟从8份，增加到了16份），怎么破？？？？

重头戏来了，硬件我们当然无法改动，但是软件程序上我们可以进行优化，我们可以重写程序的并行调度算法，使得程序最大程度上针对CPU天生的硬件架构进行优化。具体的算法上细节太专业不容易懂，我举下面这个例子一说，你可能明白了：

例子：

比如来了64个客人，每个人都想吃一个盖浇饭。来到一个4个服务生、4个队列的、4个大厨的食堂。每个队列会有几个客人？ - 16个。

好，对于每一个队，现在我不让这16个人都去排队，而是从队里面推选出1名代表，让这个代表代替16个人去向服务生点单。一个单子上16份盖浇饭，其余15人退后。这样一来，总共只有4个客人（代表）点单，其余的60个人在下面歇息。而点单速度方面，每个队最多也就（一个代表）磨叽一次。后堂大厨接到16份盖浇饭的订单，也只有拼命做的份。你总不能炒一个盖浇饭歇5分钟吧。。。

瞧， 是不是问题解决了？

1）既避免了8个服务员、开8个队列所带来的AS额外开销

2）也最大程度的利用了大厨（减少了PU的闲置时间）

作为一个超算系统，大家都在追求极限性能。世界上每年都会进行500强超级计算机性能排名，一点点的性能差异都有可能会让你的排名退后不少，所以大家都需要尽可能地压榨系统的最后一点性能。

同时，这个实例也告诉DIY玩家们，硬件重要，软件也重要。硬件强悍的同时，软件（驱动）也要进行相关的优化。如果软件没有针对性的优化，再强的硬件也发挥不出100%的威力。这个也从侧面解释了为什么有些硬件，属于跑分王类型。比如测试3Dmark这种，得分暴高，而一到实际游戏中，表现一塌糊涂。

买硬件，要买用的人多的，不要搞太小众的东西。

软硬兼施，不仅硬件性能要强，软件优化也要做到位 

1）相对于4核8线程(开超线程)，4核4线程(关超线程)后在处理（调度）多线程方面的劣势，我们完全可以通过修改源代码，把这个劣势给抵消掉。而8线程（多了4个硬件AS）所带来的硬件架构方面的额外开销，这个可以理解成集成电路级别的，我们无能为力。

所以就像华山的剑宗和气宗。

剑宗就是：简单的增加程序线程的数量，同时打开CPU超线程功能。

气宗就是：修改程序，做算法上面的改变，手动的计算运算周期，调整并行策略，将延迟隐藏掉。

剑宗速成，气宗慢成。同样练1年，剑宗练到6级威力，而气宗只能是3级。但是如果给足够时间，剑宗的极限只能练成9级，就无法突破了。而气宗最终可以练到10级。

2）还有就是优化。这里面牵涉到一个平衡的问题。性能 vs 通用性。

举个简单例子，如果给你一个加法运算：

1+1+1+1+1+1+1+1 （8个1相加，当然现实中，这么小颗粒度的运算根本没有必要进行并行，不值得。这里是为了举例需要。）

第一种方案 （性能低下+通用性最高）：

什么优化都不做，程序员只要小学一年级毕业就行了。程序太简单明了了，一行搞定，扔给CPU，做了7次运算，算一次1秒钟，这样就是7秒钟。多核一点用都没有，完全是拼单核性能。强调一句：一个单序程序（serial program）比如8个1相加，你不在代码级别做并行化，它不会自己变成一个多核程序。也就是说：它只会用一个核！！！这里，没有奇迹，没有魔术！怎么做并行化？改你的程序，用上pthread, fork, MPI, openMP。。。等很多种方法，具体细节不多说了。感兴趣的话求助一下度娘。

总时间：7秒钟

第二种方案 （良好性能+高通用性）

做并行优化：

1）首先，数一下你的机器有几个核，这里假设只有物理核。好，数好了，有4个核，花费0.5秒钟 （时间值只是举例）。

2）这时，我可以根据核的数量（=4），把运算劈成4份，产生4个（程序上的）线程，变成下面形式，从而和硬件核心个数（=4）进行1：1匹配。这样的调度开销0.5秒钟，

3）然后，开始下面的计算

（1+1） （1+1） （1+1） （1+1）第一轮每个核都是一次运算，共1秒钟

（2+2） （2+2）                             第二轮1号2号核都是一次运算，共1秒钟

（4+4）                                           第三轮只有1号核工作   共1秒钟

 花了1+1+1=3秒。而且这个也是有数学证明的（Divide and Conquer问题，具体细节不多说了。感兴趣的话求助一下度娘）， 相信大家都学过对数，Log28 = 3 。                      

总时间：0.5+0.5+3=4秒钟

第三种方案，比较极端 （极限性能+低通用性）

如果，我知道我的系统里面有4个核，是不是：1）数多少个核 2）调度开销 全都可以省了？好，这些费时间的步骤全部去掉。直接奔步骤3）。

---->  这样，最终只要3秒钟。

但是，这种方法只适合4核的机器，如果你给他双核或者8核的机器，整体速度会大打折扣，还不如第二种方案，因为第二种方案带有一定的通用性和自适应性。而第三种方案是“死”的，无脑的。也就是编程时候的hard coding (翻译过来叫死码或硬码)，这种编程习惯不推荐，因为写出来的程序实用性会很差。

现在不知道你看出点端倪来了没有？