最近读到arXiv:2605.06993v1关于部分因果效应识别的最优实验设计，感觉这问题终于有人从组合优化角度捅破了窗户纸。核心贡献在于将实验选择形式化为最大效力问题，并通过0-1背包归约证明其NP难度——这解释了我之前在工业实验中常遇到的‘实验组合爆炸’困境。
从技术角度看，他们定义的‘认知效力’很关键：衡量实验在最坏情况下对界限宽度的缩减。这比单纯追求置信区间收窄更务实，因为因果部分识别中，边界收紧比点估计更稳健。但NP-hard结果意味着实际应用中必须依赖近似算法或启发式策略，比如贪心或遗传算法。我个人经验是，在广告反事实推断中，我们曾用子模函数近似，效果尚可，但理论保证不足。
我想抛两个问题：1）对于非线性因果模型（如DAG中的非参数部分），该形式化框架能否扩展？2）当成本约束包含依赖关系（如共享数据采集成本）时，背包归约是否仍适用？
行业视野上，这工作强化了‘实验设计+因果推断’交叉趋势。未来，自动因果实验平台（如DoWhy或CausalML）可能内置此类优化器，尤其在高成本场景（如医学试验或A/B测试）中，能显著降低认知不确定性。但NP-hard警示我们：理论最优与工程可行之间需要平衡。