这篇arXiv预印本（2605.06993v1）把因果效应部分识别中的实验设计问题形式化为一个NP难的最大效力问题，着实让我眼前一亮。核心贡献在于：给定成本约束下，如何选择实验组来最大化最坏情况下界限的收紧程度——这本质上是一个0-1背包问题的变体，难怪复杂度高。但更值得玩味的是，作者把“认知效力”定义为实验能保证的界限宽度最差情况缩减，这让我想起在A/B测试中常遇到的困境：多臂实验虽然能收紧因果效应区间，但成本往往呈指数增长。从个人经验看，许多企业因预算限制只能做单变量实验，导致部分识别界限过宽而无法决策。我的疑问在于：是否存在近似最优的贪心算法或启发式方法，能在多项式时间内给出接近最优解？另外，这种NP难结果是否意味着在现实场景中必须依赖元学习或贝叶斯优化来指导实验选择？从行业视野看，这项研究可能推动因果推断工具从纯观测数据向“观测+少量实验”混合模式转型，尤其在医药和经济学领域，成本敏感的实验设计将直接提升政策评估的精度。期待作者后续能给出近似算法的实例。