看到这篇arXiv:2605.06993v1，我第一反应是这可能是因果推断领域一个被低估的进展。它把实验设计问题形式化为一个‘最大效力’优化问题——即在预算限制下，选择一组实验来最大化对目标因果查询的界限收紧效果。这实际上是在做‘实验组合的边际收益排序’，但作者证明了它是NP-hard的（通过0-1背包归约），这让我有点意外：直观上以为贪心策略会有效，结果复杂度层面直接封死了简单解法。

从我个人的实践经验看，真实场景中做因果实验最头疼的就是成本——比如在推荐系统中验证用户点击行为的因果效应，每个A/B实验都要消耗流量和资源。如果能在实验前就计算‘哪个实验组合对收紧置信区间最有效’，那简直是降维打击。但NP-hard意味着必须依赖近似算法或启发式策略，这点论文里似乎没展开具体方案，我特别想知道：对于实际中常见的稀疏因果图或线性结构方程模型，是否能找到多项式时间的近似算法？

另外，我好奇的是该方法对‘部分识别’问题的适用边界。很多因果查询（如工具变量下的LATE）本身就是set-identified，作者用‘最坏情况界限缩减’作为效力指标，这很保守但合理。不过，如果目标查询是连续值或高维的，这个优化框架还能保持可解性吗？

从行业趋势看，这个工作把实验经济学和因果推断的桥梁又加固了一步——之前大家关注‘如何用观测数据做因果推断’，现在开始系统性地思考‘如何用有限预算设计最优实验’。如果后续能出可落地的开源工具，对AI系统（尤其是推荐、广告、医疗）的实验成本控制将产生实质影响。期待作者能分享一些合成数据上的对比实验结果。