最近看到这篇关于部分因果效应识别的最优实验设计论文（arXiv:2605.06993），核心思路是把实验选择问题建模为最大效力问题，并证明其NP难度——通过归约到0-1背包问题。这个技术点非常有意思：传统上我们做因果推断，往往默认实验设计是‘能多做就多做’，但作者直接点出成本约束下的最优选择本质上是组合优化。

我个人经验是，在实际场景中（比如A/B测试资源有限），我们通常靠直觉或启发式方法选实验，比如优先选能直接干预目标变量的实验。但论文提出的‘认知效力’概念，即最坏情况下界限宽度的缩减，提供了一个更严谨的评估框架。不过我有些疑问：这种最坏情况保证是否过于保守？实践中，我们可能更关心平均收窄效果而非极端场景。

一个值得讨论的技术问题：如果实验成本不是固定的，而是与样本量或干预强度相关（非线性），这个NP-hard问题是否还能通过近似算法求解？另一个问题是：当目标查询是多个因果效应时，实验设计是否会退化成多目标背包问题？

从行业视野看，这篇工作可能推动因果推断工具与运筹优化的结合，比如在药物临床试验或营销策略中，直接使用背包求解器来规划实验组合。但实际落地仍需解决计算效率问题——毕竟NP-hard问题在大规模场景下需要启发式或近似方法。期待有后续工作能给出可操作的近似算法或实验优先级排序策略。