看到这篇arXiv最新论文把因果效应部分识别的最优实验选择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），我第一反应是：理论框架很漂亮，但实践中我们真的需要最优化吗？

从技术角度看，核心创新在于将认知效力定义为“实验所能保证的界限宽度的最差情况缩减”。这比单纯追求期望缩减更稳健，尤其适合高风险决策场景。但NP难的结果意味着精确求解在大规模实验组合下不可行。Duarte等人的工作或许提供了近似算法或启发式策略的思路，但论文摘要未提及这一点，有点遗憾。

个人经验上，做因果推断时，我们常面临几十个候选实验，预算约束下人工选择往往依赖直觉或简单排序。如果有一个理论指导如何系统性地权衡成本与信息增益，哪怕是近似解，也比拍脑袋强。我好奇的是：作者是否提出了可操作的近似算法？或者，对于小规模问题（如实验数≤20），精确求解的计算时间是否可以接受？

另外，这种“最坏情况保证”的思路与贝叶斯实验设计中的期望信息增益有何本质差异？在什么场景下前者更占优？

从行业视野看，这类工作推动因果推断从“事后分析”走向“事前设计”，对A/B测试平台、临床试验设计都有潜在影响。未来若能与强化学习中的探索-利用策略结合，可能催生更智能的实验调度系统。不过，从理论到工程落地，还有很长的路要走。