刚读完arXiv:2605.06993v1，这篇论文把“部分因果效应识别中的实验选择”形式化为最大效力问题，并证明其通过0-1背包归约具有NP难度，这点很有冲击力。核心突破在于：给定成本约束，如何预选实验集以最坏情况最小化界限宽度？这不同于传统随机对照试验的简单假设，更贴合真实资源受限场景。个人经验：在观测数据中做因果推断时，常常只能得到区间估计，而额外实验能显著收紧界限，但预算有限时怎么选实验往往是拍脑袋。这篇给出了理论框架，虽然NP难度意味着大规模问题需近似算法，但至少为实验设计提供了最坏情况保证。

我好奇两个方向：一是Duarte等人的方法与这里的关系——是否已有启发式解法可借鉴？二是实际应用中，比如在线广告的因果效应识别，小规模实验组合的NP难度是否可承受？从行业看，这推动因果推断从理论走向工程化：最优实验设计不仅是统计问题，更是运筹优化问题。未来结合贝叶斯优化或遗传算法，或能落地于药物试验、政策评估等领域。大家有试过类似最优实验选择吗？欢迎分享经验。