并行性的理论上限是根据问题的特性和计算资源的限制来确定的。一般来说，可以通过增加计算资源（如多核处理器、多台计算机等）来提高并行性，但是存在一个理论上限。这个理论上限取决于任务的性质，例如任务之间的依赖关系、数据通信的开销等。

以下是一个使用Python的示例代码，展示如何使用多线程来实现并行计算：

import threading

def compute_sum(start, end):
    result = 0
    for i in range(start, end):
        result += i
    return result

def parallel_compute():
    num_threads = 4  # 设置线程数量
    start = 1
    end = 100
    step = (end - start) // num_threads

    threads = []
    results = [0] * num_threads

    # 创建并启动多个线程
    for i in range(num_threads):
        thread_start = start + i * step
        thread_end = thread_start + step
        thread = threading.Thread(target=lambda idx, s, e: results.__setitem__(idx, compute_sum(s, e)), args=(i, thread_start, thread_end))
        thread.start()
        threads.append(thread)

    # 等待所有线程完成
    for thread in threads:
        thread.join()

    # 汇总结果
    final_result = sum(results)
    print("Final result:", final_result)

parallel_compute()

以上示例代码使用了4个线程并行计算1到100的和。每个线程计算一部分数据的和，然后将结果存储在一个共享的结果列表中。最后，所有线程完成计算后，汇总结果并输出。这样可以加快计算速度，提高并行性。但是需要注意的是，并行计算并不总是能够获得线性加速的效果，因为存在线程创建和通信的开销，以及任务之间的依赖关系等因素的影响。