这篇arXiv新作（2605.06993v1）将实验设计问题转化为最大效力问题，核心在于：给定成本约束，如何选择实验组合以最坏情况下收紧因果效应的部分识别界限。作者通过0-1背包归约证明其NP难度，这让我想起Duarte等人的前期工作——理论扎实，但实际应用门槛不低。

从实践角度看，部分识别在观测研究中很常见，比如工具变量弱时界限往往过宽。个人经验是，多数研究者会凭直觉选实验（如随机化关键混淆变量），但此文提供了形式化框架：用认知效力衡量最差情况收益。这避免试错成本，但NP难度意味着需近似算法。

我好奇两个问题：第一，文中界限收紧是否对分布假设敏感？例如在非线性因果图中，该框架是否需调整？第二，有无人尝试过贪心策略（如选择边际效力最高的实验）对比最优解？这直接关乎实际部署。

从行业看，本文将因果推断与运筹优化结合，可能推动实验预算分配自动化。若能与贝叶斯优化或强化学习结合，未来或能动态调整实验序列，而不仅是静态选择。期待社区分享实际数据上的基准测试结果。