计算乘方是有快速算法的，并不是一个一个蛮力乘上去的。比如想算2^10000，计算机先算2^5000，再算一次平方，即两个数的乘法。而为了计算2^5000，计算机会先算2^2500再算一次平方。这个算法叫快速幂算法，对于2^N的计算，如果认为每次乘法的时间复杂度是O(1)的话，那整体的时间复杂度只有O(logN)级别。
一般来说，为了实现快速幂算法，首先把指数做二进制表示，比如你要算A的23次方，可以把23分解为16+4+2+1。然后计算B=A^2，C=B^2=A^4，D=(C^2)^2=A^16。最终结果为ABCD相乘。
但这里乘法的复杂度并不是O(1)，因为它是无限精度的，也就是所谓的大数乘法。大数乘法也有很多算法，最朴素的，类似手算的方法，复杂度是O(N^2)，其他一些方法有分治法，复杂度O(N^1.58)，FFT方法，复杂度O(N logN loglogN)等。快速幂的O(logN)次大数乘法中，最复杂的只有最后一次，也就是2^5000的那次，前面的复杂度几何级数衰减，所以整体复杂度也就是最后一次计算的复杂度。如果你用FFT方法的话，复杂度也就是比线性多了一点点，一般计算机上随便算算就出来了。
CPU没有全速运行是因为这个程序只用了1个核心在做计算，而你显示的是总的使用率，所以大概会保持在四分之一的水平。
是否用到了移位操作涉及Python大数运算的具体设计，我不是很懂就不多讲了。但原理上讲也是很有可能的，如果用比特串存储大数的话，那么计算2^N只需要在数组的第N位设置一个1，其余设置为0即可，那么转换到十进制是这段代码中最消耗计算量的部分。
其实远不用2秒，你大量的时间是耗费在结果的输出，也就是第二行命令上的。你要看究竟有多块，在ipython下用命令：%time a = 2**1000000，你会发现耗时仅仅是纳秒级（单位应该是微秒，计算2^1000000大约需要10微秒，说得太夸张了，谢谢
@lixin liu
的指正。）级的。
以2.4GHz的i5 520为例，一个cycle占用1/(2.4GHz)，那么运行2.4万个cycle耗时越为10万分之一秒，约为10微秒。
大整数按二进制存，乘方速度其实很快，只是打印出来要转十进制。
而实际上，刨去打印时间，耗费第二的时间应该是在做除法。
如果你有兴趣你还可以学学大整数转十进制的log级别（大概是可能有两个log）算法。
首先，99%时间花在输出上了，实际耗时我估计是在微秒单位上。
其次，虽然python内置无限精度计算，但依旧怀疑python的性能，而且这里是简单的单线程。如果用GMP + std::async的话，再高上一个数量级都不奇怪
不管指数是多少，都可以将其分解为 2 的倍数的和，因为任何整数都能够写成 2 进制的形式，比如 62 = 00111110B。
以上算法中，随着迭代 n 会变成 x, x^2, x^4, x^8,…，我们只需要在合适的时候让它和 ans 相乘即可。合适的时刻就是 N 的二进制表示的相应位上为 1 的时候，这里使用了右移，只需要判断最低位是不是 1 就好了。
这个算法是 O(logN) 的。之所以输入 2**100000 很久没有出现答案，那是因为显示出来要花费大量时间，输入输入 `a = 2**1000000` 那么就立刻执行完毕了。
