Cracking 在 AI 领域的语境中，通常指用大语言模型去攻克（crack）尚未解决的难题，尤其是数学与算法问题——它既是一种目标描述，也成为衡量模型推理能力上限的行业说法。随着 OpenAI 等机构公开发布模型的数学思考过程，cracking unsolved math problems 正从社区讨论走向可验证的研究方向。
Cracking 数学难题：LLM 的结构性优势
近期最受关注的话题是 LLM 在攻克未解数学问题上的潜力。Justine Moore 在 X 上引用 a16z 的访谈指出，LLMs 在 cracking unsolved math problems 方面具有相对人类的结构性优势（LLMs have a structural advantage over humans），其推理过程可以被规模化、并行化，且不受人类认知带宽限制。相关讨论来源于 OpenAI 研究者 Mark Sellke 与 Mehtaab Sawhney 同 a16z 的 Lisha Li 的对话（OpenAI's Mark Sellke and Mehtaab Sawhney with a16z's Lisha Li），他们解释了为何选择公开模型的数学思考过程而非结论本身（why they publish the model's mathematical thinking）。
需要保持克制的是，这类判断目前多属当事人观点与轶事式论证，尚未经过独立验证。有中文科技评论者提醒，在把访谈中的任何数字视为定论之前，建议先观看完整访谈原文（AI Will 的整理与提醒）。
"Cracking" 一词的其他语境
作为常用动词，cracking 也出现在财经与消费报道中。Nikkei Asia 近期以 "Footloose in Davao: Cracking open the Philippines'…" 为题做了系列报道（Nikkei Asia），这里的 cracking open 指打开、切入菲律宾某市场，与 AI 语境无关。此外，Emoji 18 草案中新增的"裂开笑脸"表情，也被中文媒体以"裂开"（对应 cracking 的口语化表达）来描述（IT之家报道）。
当前焦点与观察点
当前关于 cracking 难题的争议集中在三点：其一，模型给出的数学"思考"是否真实反映内部推理，还是事后合理化；其二，未解题的攻克如何验证，社区呼吁公开过程而非只报结论；其三，宣传与实证之间的差距——多个平台流量账号（如 FinanceYF5）转述的访谈内容，仍需回到原始材料核对。观察者可关注 OpenAI 后续是否发布可复现的解题案例，以及 a16z 访谈中观点能否被第三方基准证实。