这篇arXiv新作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问题，并证明了其NP难度（通过0-1背包归约），这一点非常关键。传统上我们依赖观测数据的部分识别，但加入实验后，成本与信息增益的权衡往往被忽视。作者提出的“最坏情况界限缩减”作为认知效力度量，让我想起在实际项目中做A/B测试时的困境：我们常凭直觉选实验，结果却只能小幅收紧置信区间，资源浪费严重。

我个人经验是，在因果推断中，实验的边际收益往往递减，而组合爆炸使得贪心策略可能远非最优。这篇论文把问题拉到NP难层面，意味着即使对小规模实验集，也需要近似算法或启发式搜索。我的疑问是：作者是否考虑了实验间的协同效应？例如两个弱实验同时进行可能带来超线性收紧，这在背包模型中是否被忽略？另外，对于实际从业者，能否给出一个可操作的近似比保证？

从行业趋势看，这暗示因果实验设计正从经验驱动转向算法优化。未来因果AI平台或许会内置这类优化器，帮助研究者在预算内自动筛选实验组合。很期待后续能见到基于真实数据的基准测试，比如在流行病学或经济学场景中验证该框架的实际提升。