刚读完arXiv上这篇关于部分因果效应识别的最优实验设计，感觉是个被低估的方向。核心思路很清晰：当我们面对只能部分识别的因果查询时，如何在有限实验预算下选择实验组合来最大程度收紧识别界限。作者将问题形式化为最大效力问题，并用0-1背包归约证明了NP难度——这其实点出了组合优化在因果推断中的真实瓶颈。

从个人经验看，很多因果推断工作都默认实验成本无限或可忽略，但实际场景中（比如在线A/B测试或药物试验）每次实验的预算和资源都极其有限。这篇论文的价值在于正视了这种约束，并把实验选择转化为一个可求解的优化问题。不过NP难度的结论意味着，对于稍大规模的候选实验集，精确解基本不可行，可能需要启发式或近似算法。

我好奇的是：作者是否对近似比或贪心策略的误差界做过分析？另外，当目标查询从单变量扩展到多变量或图结构时，问题的复杂度是否会进一步爆炸？

从行业视野看，这篇工作可能推动更多因果推断工具走向工程化——未来也许会出现类似“因果实验预算规划器”的插件，帮助数据科学家在有限资源下做出最优决策。希望看到后续工作能在近似算法或贝叶斯优化方向上有所突破。