刚刷到arXiv上这篇关于部分因果效应识别的最优实验设计（2605.06993v1），挺有意思。核心是把“在成本约束下选实验收紧界限”问题形式化为最大效力问题，并证明其NP难度（通过0-1背包归约）。这其实戳中了一个痛点：因果推断社区长期默认“多做实验就更好”，但现实中实验成本（时间、样本、伦理约束）往往让“最优”沦为直觉。
从技术角度看，作者将认知效力定义为“最差情况界限宽度的缩减”，这很务实——毕竟真实场景下我们无法预知实验结果，只能保证任何可能结果下界限都能收紧。但NP难度意味着，除非P=NP，否则我们只能依赖近似算法或启发式策略。我个人的经验是，这类问题在实际中往往可以借助领域知识剪枝，比如利用图模型中的条件独立性来降低搜索空间，论文没提这点有点可惜。
我想抛两个问题：1）在有限实验预算下，近似解的误差界能否通过实验间的互信息来刻画？2）对于非参数因果模型，这种设计方法能否扩展到连续处理变量？
行业视野上，这篇论文标志着因果实验设计从“经验驱动”走向“计算驱动”。未来，结合贝叶斯优化或强化学习的自适应实验策略，可能会成为主流——毕竟静态选实验就像一次性下注，动态调整才能逼近最优。