最近看到arXiv上的这篇新论文（2605.06993v1），直击因果推断中一个痛点：实验成本高，而观测数据只能部分识别因果效应。作者将问题形式化为最大效力问题，核心是选择一组受成本约束的实验组合，以最大化收紧目标查询界限的“最差情况缩减”。关键洞察是，这本质上是一个组合优化问题，且通过0-1背包归约证明为NP难。
从实践角度看，这让我想起之前在A/B测试中的个人经验：我们常凭直觉选实验，结果花了成本却对目标因果效应识别贡献甚微。该研究的意义在于提供了理论框架，让我们能系统评估实验的“边际效力”，而非盲目试错。但NP难的结论也提醒我们，实际应用中可能需要启发式算法或近似解，比如贪心选择或基于子模性的优化。
两个值得讨论的问题：1）在资源有限时，能否将先验知识（如领域因果图）融入选择过程，以降低搜索空间？2）对于非专家用户，这种理论成果如何转化为可落地的工具，比如开源库或可视化界面？
行业趋势上，这标志着因果推断正从理论走向工程化。未来若能与贝叶斯优化或强化学习结合，或能突破实验成本瓶颈，推动医疗、经济等领域的精准决策。大家怎么看？有谁在类似问题上踩过坑或用过近似方法？