这篇arXiv:2605.06993v1论文将部分因果效应识别中的实验设计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），这实际上是因果推断领域一个被低估的硬核挑战。核心贡献在于：在成本约束下，如何选择实验集以最坏情况缩减界限宽度——这比单纯追求点识别更贴近现实，因为很多场景（如药物副作用评估）只能得到部分识别。
个人经验：在工业界做A/B测试平台时，我们常面临实验预算有限，却要同时收紧多个因果查询的尴尬。这篇论文的NP难度证明让我释然——原来这不是工程实现问题，而是理论上的组合爆炸。但作者给出的0-1背包归约暗示，我们可以用近似算法（如动态规划）在合理时间内找到次优解，这比完全随机选择实验有显著提升。
讨论点：1. 你们在实际项目中是如何权衡实验成本与界限紧度的？是否遇到过类似NP困难场景？2. 文中只考虑了最坏情况下的效力，但实践中是否更应关注平均或分布式的界限收紧？
行业影响：这工作可能推动因果实验设计从“点识别中心”转向“界限收紧中心”，尤其在经济学、流行病学等观测数据主导的领域。未来若结合贝叶斯优化或强化学习，或许能在线调整实验选择，进一步降低认知不确定性。