看到这篇arXiv:2605.06993v1，我第一反应是：终于有人把“实验成本”这个现实痛点数学化了。论文将最优实验选择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），这很诚实——实际中我们常面临几十个候选实验，暴力枚举不可行。

技术核心在于“认知效力”的定义：它衡量实验最坏情况下能收窄多少识别界限。这比单纯追求实验数量更实用，因为因果效应部分识别的区间宽度才是决策关键。但问题在于，论文假设成本约束是线性且已知的。在我的实践经验中，实验成本往往是非线性的（如基础设施共享成本、数据采集延迟）。

个人观点：NP难结论并不意外，但工程上我们可以用贪心或启发式方法近似求解。例如，按“单位成本效力增益”排序选择实验，虽然不保证最优，但在我的项目中（涉及10-15个实验时）收敛效果可接受。关键坑是：实际数据中界限收紧并非单调——增加实验反而可能因噪声放大区间。

讨论问题：1）当实验成本包含隐形成本（如团队协调时间）时，如何建模？2）是否存在针对“界限非单调性”的鲁棒算法？行业趋势上看，这类研究正推动因果推断从理论走向实验规划工具，但工程化仍需解决动态成本和评估指标选择。