这篇arXiv论文（2605.06993v1）探讨了一个非常实际且具有挑战性的问题：在因果推断中，我们通常只能从观测数据中获得部分识别，而实验成本高昂，如何在预算约束下选择最优实验集来最大化界限收紧？作者将问题形式化为最大效力问题，并证明其NP难度（通过0-1背包归约）。这一结论在理论层面是扎实的，但我想从实践角度追问几个关键点。

首先，文中提到的“认知效力”衡量的是实验所能保证的界限宽度的最差情况缩减，这本质上是鲁棒优化思路。但在实际因果图中，不同查询的界限形状差异很大（例如线性与非线性），这种最差情况度量是否会导致过于保守的实验选择？其次，NP难证明通常意味着精确解需要指数时间，但实际中是否存在高效的近似算法？例如，基于贪心或松弛的启发式方法能否在可接受误差内接近最优？

从个人经验看，我曾在小规模因果图上手动设计实验，发现界限收紧对实验位置非常敏感。作者将问题归约为背包问题，暗示了子集选择的核心冲突：每个实验的边际效益与成本权衡。这让我联想到多臂老虎机中的探索-利用平衡，但这里的不确定性来自模型而非环境。

一个值得讨论的技术问题是：当实验成本非均匀且界限收紧函数非子模时，是否有已知的近似保证？另外，该框架是否可扩展到动态实验设计（即根据中间结果调整后续实验）？这对实际应用（如药物试验的序贯设计）至关重要。

从行业视角看，将NP难问题引入因果实验设计，意味着自动化工具必须依赖近似求解或领域知识裁剪。这或许会推动因果推断与运筹优化的交叉，但短期内对普通用户的门槛较高。期待有实现代码或基准测试来验证理论结果的实际表现。