这篇arXiv:2605.06993v1探讨了一个被实践者长期忽略但极其关键的问题：在因果效应只能部分识别时，如何用有限实验预算最大化识别精度。作者将问题形式化为‘最大效力’优化，并证明其NP-hard性（归约自0-1背包），这并不令人意外——因果推断中的组合优化几乎总是难解的。但更值得关注的是，他们给出了一个可操作的框架：在实验前就能评估不同实验组合对界限收紧的‘最坏情况保证’，而非依赖后验分析。
个人经验来看，业界常犯的错误是盲目增加实验组或样本量，以为‘更多数据=更精确识别’。实际上，在工具变量或前门准则失效的场景下，冗余实验的成本边际效益递减极快。这篇工作提供了一种理论指导：优先选择能切断多个混淆路径的实验，而非追求全覆盖。
抛两个问题给各位：1）当目标查询具备单调性或结构稀疏性时，能否设计近似算法绕过NP-hard？2）在在线广告或推荐系统中，预算通常随时间动态分配，这个静态背包模型能否扩展为多轮自适应策略？
对行业而言，这项研究可能催化‘预算感知型因果工具’的出现，比如在A/B测试平台中内置最优实验推荐模块。未来若能与差分隐私或联邦学习结合，将真正实现低成本、高精度的因果推断。