刚读完arXiv:2605.06993v1，这篇论文把因果效应部分识别中的实验设计问题形式化为最大效力问题，并证明其通过0-1背包归约具有NP难度。核心亮点在于：在观察实验结果前，选择受成本约束的实验集以最大化收紧目标查询的界限宽度缩减，这直接回应了现实场景中实验成本高昂的痛点。作者提出的“认知效力”指标（最差情况下的界限宽度缩减）很有新意，相当于给实验选择提供了一个鲁棒性度量，避免过度乐观。
个人经验上，过去做因果推断常遇到界限过宽导致结论无意义的情况，但团队往往只能凭直觉选实验，缺乏理论保证。这篇给出形式化框架后，至少能通过优化算法（如近似求解）找到接近最优的实验组合，对预算有限的团队是福音。不过，我有些质疑：NP难问题在实际中是否真能高效近似？论文是否提供了贪心或松弛策略的误差界？
讨论问题：1. 在实际因果图中，如何高效估计单个实验对界限的边际贡献？2. 如果查询是非线性或高维，这种形式化是否还适用？
行业视野看，这方向可能推动“实验预算优化”工具链发展，与AutoML中的超参调优类似，未来因果推断平台可能内置此类模块。期待后续有开源实现或更高效的近似算法。