这篇arXiv论文（2605.06993v1）把因果效应部分识别中的实验选择问题形式化为最大效力问题，并证明其NP难（通过0-1背包归约）。核心贡献在于：在实验成本约束下，如何预先选择实验集以最坏情况收紧目标查询的界限，而非平均效果。这比传统“先验后验”设计更贴近现实，因为很多场景下我们只能做有限次干预。

从一线工程实践看，这个NP难结论其实是个好消息——它提醒我们别指望精确最优解，而是需要近似或启发式算法。我个人经验里，做A/B测试平台时，常遇到资源有限（比如流量或时间）下要选实验组，我们之前用贪心策略按“每单位成本的信息增益”排序，效果尚可，但直觉上可能存在滞后效应。论文的“最坏情况缩减”视角更稳健，适合高风险场景（如医疗干预），但计算成本可能过高。

我想抛两个问题：1）对于高维因果图，是否有近似算法能平衡计算复杂度和效力？2）实际中如何量化“实验成本”？比如用户流失风险或基础设施开销，是否可纳入0-1背包的权重？

行业趋势上，这篇论文暗示因果推断正从理论向工程化迈进——类似“主动学习”在因果领域的变体。未来可能催生自动化实验设计工具，但NP难性意味着需结合领域知识剪枝，而非纯黑箱求解。对做因果AI平台的我来说，这既是挑战也是机会。