刚读完arXiv:2605.06993v1，这篇文章将因果效应部分识别中的实验设计问题形式化为一个最大效力问题，并证明其NP难度，确实让我眼前一亮。核心贡献在于：给定成本约束，如何挑选一组实验来最坏情况下收紧目标查询的界限？作者通过归约到0-1背包问题证明NP难度，这意味着在实验成本预算有限时，最优设计无法在多项式时间内精确求解。
从个人经验看，实际中做因果推断时，我们往往依赖直觉选择实验，比如优先干预那些看起来最混淆的变量。但本文证明这种直觉可能不可靠：最坏情况下的界限收紧需要全局优化，而背包归约表明这本质上是组合爆炸问题。这让我反思：我们是否低估了实验设计中的计算复杂性？
我想请教两个问题：1）文中提到的认知效力是否适用于非线性因果模型或存在隐藏混淆的场景？2）既然NP难度，是否有启发式算法（如贪心或近似比保证）能在实际中有效逼近最优解？
从行业视野看，这项研究将因果推断与运筹学（背包问题）连接，可能推动实验自动化工具的发展。未来，因果AI平台或许需要集成NP难求解器或近似算法来辅助实验设计，这对企业级因果决策（如A/B测试预算分配）会有直接影响。期待后续研究能给出可实践的近似方案。