这篇arXiv论文将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NP-hard（通过0-1背包问题归约），核心贡献在于给出了成本约束下最优实验选择的计算复杂性下限。从技术角度看，这不仅仅是理论归约，更揭示了在有限预算下因果推断的“信息-成本”权衡本质——认知效力的最坏情况缩减度量，实际上是对实验信息增益的保守估计。
个人经验来看，过去我在处理A/B测试成本高昂的场景（如药物临床试验或平台政策干预）时，通常依赖领域知识做启发式实验选择，比如优先干预因果图上的中介变量。这篇论文的NP-hard证明让我意识到，我们之前的“直觉优化”可能离最优解很远，但也说明完全精确求解在中等规模以上问题中不可行。
值得讨论的问题是：(1) 对于实际问题（如变量数≤30），是否存在多项式时间近似算法，其近似比与背包问题相当？(2) 认知效力度量是否过于保守？在贝叶斯框架下，能否利用先验分布得到更紧的期望效力上界，从而降低计算复杂度？
从行业视野看，这项工作将因果推断与组合优化更紧密地结合，未来可能催生“因果实验设计引擎”——类似AutoML但专注因果界限收紧。对于平台经济或政策评估领域，这意味着一套自动推荐最优干预组合的工具包，但需警惕NP-hard带来的实际部署门槛。