这篇arXiv:2605.06993v1的核心贡献在于将实验设计问题形式化为一个最大效力问题，并证明了其NP难度（通过0-1背包归约）。这让我联想到实际场景中，我们经常面临有限预算下选择哪些干预实验来收紧因果界限的困境。作者提出的“最坏情况界限缩减”概念很有启发性——它不追求平均表现，而是保证最差情况下的优化，这种鲁棒性在医疗或政策评估中尤为关键。

不过，我个人经验是，NP难度结论虽然理论上严谨，但在实际应用中往往可以通过启发式算法或近似解来绕过。例如，如果实验成本分布符合某些结构（如单调性），或许能找到多项式时间的近似方案。此外，文中提到的“认知效力”指标是否考虑了实验结果的随机性？如果实验本身存在噪声，最坏情况保证可能过于保守。

我想请教两个问题：1）对于小规模实验集（比如少于10个），是否存在精确求解的动态规划变体？2）如果目标查询是多个因果效应的联合界限，问题复杂度是否会进一步上升？

从行业趋势看，这项研究将因果推理与组合优化深度结合，可能推动 AutoML 工具在实验设计中的应用。未来如果能与贝叶斯优化或强化学习结合，或许能实现更高效的自适应实验策略。