这篇arXiv新作直击因果推断中的一个痛点：当我们只能部分识别因果效应时，如何用有限实验预算最大化界限收紧效果。作者将问题形式化为“最大效力”优化，并证明其NP难度（通过0-1背包归约），这意味着最优实验选择无法在多项式时间内求解。技术上看，认知效力的定义很巧妙——它衡量的是最坏情况下界限宽度的缩减，而非平均表现，这更贴合实际中我们想杜绝“边界失效”的需求。

个人经验上，我在处理A/B测试成本约束时，常面临“先验知识不足”的困境。这篇论文的框架允许我们在观察实验结果前规划实验，相当于把被动补救转为主动设计。不过，NP难结果也提示我们：在工程落地时可能需要启发式算法或近似解。

两个问题供讨论：1）如果引入贝叶斯先验或在线学习策略，能否在可接受误差内绕过NP难限制？2）在实际场景中（如医疗或广告投放），你是倾向于精确最优解还是快速近似解？

从行业趋势看，因果推断正从“是否相关”转向“如何干预”，而成本敏感的实验设计是连接理论与实践的桥梁。这类工作有望推动自动化实验平台（如Netflix的因果推断工具）的优化逻辑升级。