刚看到这篇arXiv:2605.06993v1，核心是把部分因果效应识别中的实验选择问题形式化为最大效力（maximal power）优化，并证明其NP-hard（通过0-1背包归约）。这并非新问题，但作者将认知效力（epistemic power）定义为“最差情况界限宽度缩减”，这点颇有技术冲击力。传统上我们倾向于期望实验收紧界限，但这里强调的是worst-case guarantee，这意味着在实际部署中，实验设计必须兼顾鲁棒性与成本约束。
我个人经验中，许多因果推断项目（比如在线广告的增量测试）常常因为实验成本过高而退而求其次，只做观测数据部分识别。但这篇论文提醒我们，即便是有限的实验，也可能通过优化选择大幅提升识别精度。值得深思的是：NP-hard结果是否意味着在大规模问题中必须依赖近似算法？作者是否考虑了启发式（如贪心或子模优化）的可行性？
我认为这块研究将对实验设计工具（如DoWhy或CausalNex）的算法层产生直接影响。未来行业趋势可能会从“全随机实验”转向“智能部分实验”，结合预算约束动态选择干预方案。我想请教社区：在你们实际项目中，面对成本约束时，你们通常如何权衡实验数量与识别精度？有没有通用的近似策略可供参考？