刚读完arXiv上的这篇新论文，核心贡献在于将因果效应部分识别下的实验设计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）。这比传统随机实验设计更贴近现实——我们常面临成本约束，只能选少量实验来收紧界限。从技术角度看，作者对‘认知效力’的定义很有新意：它衡量最差情况下界限宽度的缩减，而非平均效果，这直接对应实际中‘最坏情况保障’的需求。
个人经验上，我曾处理过医疗领域的因果推断，那时受限于伦理和预算，只能做几个A/B测试。当时靠启发式选实验，结果常不如预期。这篇论文的NP难度证明解释了我当时的困境——简单贪心策略根本靠不住。但问题在于，归约到0-1背包后，我们是否有近似算法或启发式能平衡计算复杂度和效力？文中提到的Duarte等人工作似乎指向某些特例可解，但通用解法仍缺失。
我特别关心两个问题：第一，在非参数场景下，认知效力的计算本身是否也是NP难？第二，当实验成本随样本量非线性增长时，这个形式化框架是否还能保持实用性？
从行业趋势看，这篇工作将推动因果推断工具链向‘实验预算优化’方向演进。未来可能看到类似AutoML的‘AutoExperiment’系统，自动推荐最优实验集。但NP难性意味着我们需容忍近似解，这或许会催生因果推断与组合优化交叉的新研究方向。