1. 一个具体问题
研究团队获得更多计算节点后，没有把旧模拟跑得更快，而是把网格变细、时间跨度拉长，仍在一个晚上完成。有人说这违反了串行瓶颈的限制。其实两种判断问的不是同一个问题：一个问相同任务能省多少时间，另一个问固定时间能做多少工作。
2. 一句话解释
当计算时间大致固定、问题规模随资源扩大时，并行系统可以通过承担更大的任务获得可观收益。
3. 出处与原意
John Gustafson 在 1988 年《Reevaluating Amdahl’s Law》中提出规模化加速的分析，常称古斯塔夫森定律或 Gustafson–Barsis 定律。它重新选择了比较基准，并没有推翻阿姆达尔的代数结论。
4. 原理与机制
把 N 个处理器完成扩大后任务的时间归一为 1，令其中串行时间占比为 α，可并行部分占比为 1−α。若同样的扩大后任务改由一个处理器执行，理想时间是 α+N(1−α)，因此规模化加速比 S=N−α(N−1)。注意这里的 α 来自并行运行，不能与固定工作量模型里单处理器的串行占比直接互换。模型还假设扩大问题后串行工作与通信成本没有相同比例地增加，这必须通过测量确认。
规模化比较还要求说清楚单机基线是假想执行同一大任务，还是实际运行一个小任务。若大任务根本装不进单机内存，计算出的加速比仍可作为模型指标，却不是直接测得的节省时间。扩大后的任务质量也必须有意义：增加无用样本或重复工作会提高处理总量，却不一定增加信息。工程报告应同时展示工作量、质量与资源消耗。
5. 一个完整案例
假设案例：一项图像分析在八台机器上运行一小时，其中六分钟用于初始化和汇总，五十四分钟用于处理不同图块。若每块工作可独立分配，单机做同一批图块大约需要 6+8×54=438 分钟，规模化加速比是 7.3。团队并非声称任意旧任务都能快 7.3 倍，而是说八台机器可以在一小时内分析更大范围的图像。下一次增加到十六台时，如果汇总开始占半小时，原先的 α 就失效，必须重新估计收益。
6. 适用条件与反例
适合科学模拟、渲染、批量分析等可随资源扩展精度或样本量的工作。对用户必须等待同一笔交易完成的场景，扩大工作量没有业务价值，此时固定规模加速更合适。更大的任务也可能超过内存、网络或数据供给能力。
7. 今天可以尝试的行动
在容量方案中同时写下两种目标：“同一任务更快”和“同一时间处理更多”。为后者明确扩大的是样本数、分辨率还是搜索范围，记录扩大后串行占比和通信时间。只有新增工作提高业务结果，规模化加速才值得支付成本。