这篇arXiv新作把因果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），这实际上戳中了许多因果推断从业者的痛点：当你只有有限预算，想挑一组实验来收紧部分识别界限时，穷举不可行，贪心又可能错过全局最优。
从技术选型角度看，作者提出的“认知效力”指标——即实验能保证的界限宽度最差情况缩减——非常务实。它不像传统贝叶斯优化那样依赖先验分布，而是给出一个保守但可解释的下界。这对于工业界场景（比如广告因果归因、药物试验设计）尤为关键：我们往往承受不起过于乐观的界限收紧承诺。
个人经验是，在类似场景中，纯贪心策略（每次选当前成本效益比最高的实验）通常能逼近最优解，但遇到强非线性交互（如多个实验组合后界限收紧效果倍增）时会失效。这篇论文的NP-hard结论恰恰印证了这一点：我们需要更聪明的近似算法或松弛策略。
我想抛两个问题：1）如果实验成本不是简单的背包约束，而是多维度资源（如人力、时间、计算），如何扩展该框架？2）与Duarte等人之前的因果界限收缩算法相比，这种“最坏情况”视角是否过于保守？在实践中有没有更好的权衡方案？
从行业趋势看，将组合优化引入因果推断实验设计是个有价值的方向。它提醒我们：别只盯着识别方法本身，实验预算分配的前置决策同样能决定最终因果结论的精确度。未来或许会出现自动化工具，帮研究者预筛选实验组合。