编者按：本文原创首发于「百度大脑」微信公众号（ID：baidubrain），关注百度大脑，读懂人工智能。「深蓝」19 步赢了卡斯帕罗夫，Watson 在智力问答中知识碾压，AlphaGo 把李世石打狗带了，后者一年不到重披「Master」之名把世界顶尖棋手们直接来了个六十连杀。棋类已经失守，群众将最后希望投向国粹麻将，中国大妈能否坚守这最后一道防线？答案大概是特别不能。现在日麻 AI「爆打」准备要暴打人类了（它在日本曾打到天凤七段）。至于你说靠眼神秒杀的这位同学，喔你想多了，我们 AI 都是在网上比赛的呢。不过麻将 AI 与棋类 AI 在开发策略上有所不同。而且运气也是麻将的浪漫，这种浪漫「爆打」能懂吗？「百度大脑洞」专栏将带你见识 AI 领域那些不可思议的研究。严肃点，我们 AI 要开始玩麻将了。带着 AI 去打麻将，能百战百胜吗？作者：boshixiao麻将、斗地主、桥牌、德州扑克……未来都有希望看到这些项目对应的「最强 AI」，永远能找到最优解的 AI 出现。从人工智能 AlphaGO 在与李世石的围棋对决中，以五局四胜，标志着在人工智能的领域，AI 的能力距离超越人类，又往前迈进了一大步。2017 年 1 月 6 日，又一个 AI 要挑战人类选手了——科学家将百度大脑植入人工智能机器人「小度」当中，前去《最强大脑》第四季现场应战，与《最强大脑》名人堂的选手们在人脸识别、声音识别等领域进行三局两胜的比赛。棋类 AI 已经开始全面碾压人类，甚至围棋这种「不可遍历」的算法，也开始靠着深度学习展现出其优势的时候，我们不由得要思考，那些不那么注重策略本身的竞技项目，AI 是不是也会展现出别具一格的优势？带着 AI 去打麻将，能百战百胜吗？麻将被国人视为中国的国粹（电视剧《解放》剧照）麻将是靠技艺取胜的游戏吗？只要手气足够好，不需要技术也能赢。是麻将游戏中非常常见的情况。大部分人也常常将自己的胜利或失败，归于「手气」，也就是运气不够好。但运气真的是麻将游戏中的一切吗？诚然，麻将是一种运气成分占比非常高的竞技棋牌项目，技艺再强的高手，也有输给菜鸟的可能性。但同时不可否认的是，麻将中「技艺高低」也是明显存在的。麻将技艺的高低，不仅仅存在于高手和菜鸟之间。即使是顶尖高手，日本竞技麻将的高手段位中，在经过大量场数的竞技之后，顶尖选手之间的分数差距，同样可以稳定地被拉开，竞技水平被显著地区分开来。所以在麻将领域，研究出一个具有极高竞技水准的 AI，是完全有可能的。麻将 AI 的策略是怎样的？相比于棋类这样在大多理论上可遍历（通过计算机模拟出每一种可能的情况）的「完全信息动态博弈」，棋牌类项目， 因为很多情况下，你都不能知道对方手上的手牌，也不知道接下来会摸到什么牌，所以更多的情况是属于无法遍历的「非完全信息动态博弈」。也就是说，相比于棋类 AI，力求「将对手逼入必输的岔路口」这个博弈目标不同，麻将 AI 的策略则更多地增加自己得点的期望值，尽量让自己有更大的可能性和大牌，同时尽量避免对手的大牌点炮。而麻将的打牌策略，显然是有最优解的。每圈弃牌的 14 个选择里，我们总可以找到我们当前认为最好的选择，而高等的选手，和高级的 AI 要做的，就是尽量能多思考几回合。当代的计算机棋手大多采用的是「蒙特卡洛树」搜索算法，策略是选择或迫使对手选择一个分支，这个分支下的所有的结局都是自己胜。AlphaGo 就是蒙特卡洛算法和深度学习的结合。让自己有更大的可能性和大牌，就需要通过手牌和弃牌池里的牌，计算自己进张（摸到有效牌）和鸣牌（吃、碰、杠），使自己手牌有进展的概率，进而计算自己和牌得分的期望值。这对于 AI 设计来说实际上是很简单的。让 AI 避免对手的大牌点炮相对要更难，一方面麻将 AI 需要通过大量的牌谱数据库，来获得通过对方打出的弃牌来分析其牌型的能力。这样可以让 AI 拥有在几圈之前，就开始弃掉别家需要的关键牌的能力。百战百胜的麻将 AI 距离我们有多远？因为竞技麻将这项运动的小众性，麻将 AI 目前处于一个相当缺乏发展的阶段。目前还没有可以完全战胜所有人类的麻将 AI，但这其中主要的原因是缺乏相关的研究。大多麻将 AI 都还停留在游戏厂商的 AI 上，计算强度非常有限，无法与棋类 AI 动辄就在超级计算机上进行运行相比。但麻将运动中，可执行的打法数量，实际上是远小于围棋的。因为毕竟手上只有 14 张手牌，一共也只有 136 张的总牌数。所以实际上麻将的复杂度，AI 运行所需要的计算量，实际上也是比 AlphaGO 这样的围棋 AI 要少很多的。并且麻将有着相对明确的目标，有着相对少的和牌牌面，所以麻将 AI 实际上完全可以储存大量的牌谱，然后在运算的时候，只要寻找对自己有用的牌即可，这样可以减少很多的计算量。目前最强的麻将 AI，是东京大学开发的日麻 AI —— 「爆打」。「爆打」在日本最大的线上麻将平台，天凤上进行了 1.3 万多场比赛，最高达到过七段的成绩，这意味着「爆打」比 96% 以上的麻将玩家都取得了更好的成绩。日麻 AI 「爆打」对战两位天凤六段选手和一位八段选手，自摸。除了麻将之外的其他棋牌 AI实际上，除了麻将之外，很多中国民间喜闻乐见的棋牌项目，对于开发 AI 来寻找最优解的能力，相比棋类 AI 程序来说，都要简单得多。其面对的问题，同样是因为这些项目中都包含了运气成分，这使验证 AI 的有效性变成了一个相当难的问题。相反，麻将还是这些项目中相对规范化程度非常高的一个，至少在日本，有着非常完善的 ranking 机制与平台。而因为验证 AI 有效性很麻烦，所以也导致了这类 AI 开发的相对滞后。而这样的 AI 的作用是什么，除了他们可以用来研究算法本身之外，棋牌 AI 所伴随的棋牌类竞技规范化，也是一个很重要的事情。但同时，我们还可能会看到的是，伴随着棋牌类竞技项目的赌博，可能也会开始依赖于 AI 催生出一个全新的产业。斗地主、桥牌、德州扑克…… 在未来我们都有希望看到这些项目对应的「最强 AI」，永远能找到最优解的 AI 出现。很多人都想不通，为什么人类要研究一个仅仅是用来下围棋的 AI，更不必说「打麻将」这件今天在中国完全不被当一个「正经」的事情对待的竞技项目了。但他们很难意识到的是，AI 实际上代表了人类对这个世界，孜孜不倦的探求，和挑战自我的精神。用来「打麻将」的 AI，我们创造它的动机，当然不是让我们可以利用其功能，在麻将场上百战百胜。而是我们通过麻将 AI 这件小事，使人类的智慧之光，得以在广袤的世界中延伸，直到洒满每一角落。这是我们要探究这个世界上一切未知事物的源动力，包括却不限于，创造一个永远可以找到最优解的，麻将 AI。参考资料：/archives/11 在目前世界上最强的日麻 AI 「爆打」与包括日麻顶尖高手 ASAPIN 在内的一干日麻选手的对战中，「爆打」虽然没有在平均成绩上取胜，但展现了相当不俗的实力。http://ieeexplore.ieee.org/document/7317929 目前主流的麻将 AI 研究，基本都围绕着如何在前期尽量减少自己的听向，以及如何避免打出其他玩家的有效牌，炮子展开。/allevy/computerbridge/index.htm 除了麻将 AI 外，桥牌 AI 也是目前在国际上相对受关注度比较高的棋牌类 AI 之一。
原网页已经由 ZAKER 转码排版AphalGo挑战麻将会如何？人类会输得更惨
　　【PConline 资讯】AphalGo和李世石的围棋大战结束了，韩国职业围棋棋手李世石九段输给了旗下人工智能系统AlphaGo（阿尔法围棋，也有人类戏称&阿尔法狗&），这意味着AI已经有了挑战人类智能的能力。不过，也有人认为，虽然AI用围棋战胜了人类，但用麻将却不一定能赢？　　中搜网络创始人、北京围棋业余赛冠军陈沛告诉澎湃新闻：&李世石这两盘棋虽然发挥得不是最好，但是在人类中能连续赢李世石两盘的人已经是围棋顶尖的高手，所以Alphago现在显然已经站在人类围棋的最高峰了。很多职业围棋棋手不是特别愿意接受这个事实，他们更愿意解读为我们没发挥好，这个在心理上有一种捍卫人类自尊的潜在因素存在。&　　李世石连输两局后，不少职业棋手都质疑其为何不使用&打劫&这招，是不是因为和签的保密协议中有相关规定，作为为数不多的同时对人工智能和围棋都颇有研究的人，陈沛则表示应该不会。　　&虽然这两盘棋确实没有进行激烈的劫争，这使得围棋的魅力稍有逊色，但是在围棋系统中制定&打劫&是没有难度的，而且在这之前有很多比Alphago要低级很多的围棋机器都可以应付&打劫&。&　　同时，网络上也出现了不少&李世石真的可以代表人类围棋的最高水平了吗？&的声音。　　在铺天盖地的质疑声中，职业围棋棋手李?六段的《这两盘棋，没人会比李世石做得更好！》一文被广泛传播。　　&AlphaGo的目标只有赢，不求最优。AlphaGo其实遇强更强，在对手弱的情况下，它可能选择的类似胜算的点就更多；在对手强的情况下，它可能选择的类似胜算的点就更少。而大家看到所谓的AlphaGo后半场更强其实是李世石的强大逼出来的。&李?称，&我不知道AlphaGo的极限在哪里，看到的无法用言语来表达的震撼和美，新时代真的来了。&　　&如果我们只用人类思考围棋的方式来理解AlphaGo，或许我们将永远都不知道是怎么输的。&在文章的最后，李?以&想念吴清源大师结尾。这恐怕代表了众多职业围棋手的内心，面对强大的人工智能，也许只有诸如&天才棋手&吴清源才能招架得住。　　&好文！阿尔法狗落子的依据是&胜率&，而不是&最优&，自始至终是立于全局的角度在作出决策！放开看，人生不也如此，拼命纠结于眼前的最优，往往未必最后胜出，这是另一种智慧，参悟的有几个？&有网友顿悟人生哲理。　　当然如果说有人不服，最有资格的要数目前&中国围棋第一人&、8次打败李世石的天才少年柯洁九段，他在第一场比赛时就说，&李世石其实并不太适合和AlphaGo。&　　连输两场后，柯洁更是不服，&谷歌如果想证明软件是世界第一，已经足以战胜职业棋手，那必须战胜我和其他的一些中国的高手，都赢了才能说这个软件是天下无敌，人类下不过它。如果想当天下第一，得先过我这一关！&　　除了像柯洁这样跃跃欲试要和AlphaGo比一盘才能服气的职业棋手，颇为&护短&的韩国专家也坐不住了，据韩联社报道，韩国IT专家田石镇批评称，谷歌需要对李世石和整个围棋界道歉，因为此次人机博弈本身就不公平。　　田石镇称谷歌推进的这场博弈系骗局，李世石五盘全输已成定局。他指出，AlphaGo动用数百台电脑对李世石的行棋进行实时运算后再下子，换而言之，AlphaGo非按已获取的信息行招，而是先看对方的招数并对其进行缜密分析后拆招，这并非真正意义上的人工智能。　　但是，无论服还是不服，AlphaGo连胜两局的事实也无法改变，而且如果李世石不能在3月12日举行的第三场比赛中获胜，那么这场世纪人机大战的最终结局就是，人工智能的胜利。　　虽然不少乐观的网友&自信&地表示，人类的智慧还有中国麻将守着，但大家恐怕要失望了。在澎湃新闻就此问题咨询陈沛时，陈沛笑称：&要是麻将，人类会输得更惨！麻将一共就那么多张，很容易算出来的。&相关阅读:Google Fiber：高清电影只需7毫秒AI再次凌驾于人类！深蓝到AphalGo的进化Google工程师:十年后&天网&并非不可能终于不用上315？谈谈运营商背的那些黑锅&
软件论坛帖子排行
最新资讯离线随时看
聊天吐槽赢奖品
相关软件：
大小：6.19 MB
授权：免费
大小：791.38 MB
授权：共享人工智能在麻将领域能够战胜人类吗？非常容易
网易编辑注：AlphaGo的马甲Master近日取得了60连胜，震动棋坛。而有好事网友戏称AI未必能在打麻将上战胜人类，对此，网易科技在去年3月“人机大战”曾发文，说明人工智能在麻将上战胜人类很容易。本文作者为段昊/国际麻将联盟秘书，原文发于知乎，获得授权。
段昊/国际麻将联盟秘书
很高兴能借着AlphaGo的东风，和大家分享一下麻将AI研究的现状。
一. 麻将和围棋有什么不同？
从博弈论的角度来讲，围棋是完全信息动态博弈，而麻将属于非完全信息动态博弈。围棋中对局双方所掌握的信息是对称的，而麻将中各对局者间所掌握的信息不对称。虽然大家都能看到每位牌手打过什么牌，但你不知道我的手牌是什么，我也不知道你的手牌是什么。这种信息不对称的产生的根本原因是牌墙的随机性。
围棋与麻将（或者说棋与牌，弈与博）的上述区别，决定了它们获胜策略的根本不同。棋类项目本质上就是蒙特卡洛树，获胜策略就是选择或迫使对手选择一个分支，这个分支下面所有的结局都是自己胜。只不过由于棋类变化很多，连AlphaGo也远不可能遍历整个树，所以AlphaGo会通过价值网络来估计某一分支下胜结局的概率。其实人类的思维也是类似的，在围棋里平白被对手屠掉一条大龙，或者在象棋里平白送给对手一个车总是不好的——在这些分支下，胜结局的概率大大降低了。
而牌类的获胜策略在于尽可能增大自己的得分期望（EV）。我并不知道我接下来要摸什么牌，或我的对手有什么牌，但所有可能的情形组成一个概率空间，我只需做出一个选择，使得自己的得分函数的期望最大。牌类策略的难点在于，影响这一概率空间的因素过多，且具体影响很难确定，比如对手打牌的习惯。
下图选自《科学化麻雀》，闲家愚形听牌打10% 危险度的牌对攻，x轴为自己和牌时得分，y轴为牌局巡次，z轴为自己的得分期望。
二. 何谓「获胜」？
选手的竞技水平如何衡量？麻将是否是「运七技三」的游戏？其实无论围棋还是麻将，区分选手的竞技水平都不可能只靠一局，就好比AlphaGo和李世乭要进行五番棋对决，AlphaGo赢第一盘时大家并不觉得AlphaGo一定比李世乭强一样。围棋有三番、五番、十番棋，对于竞技麻将（国标麻将、麻将）而言，区分顶尖选手的竞技水平至少需要手牌（如果采用类似桥牌的复式赛制，这一数字会大幅降低）。
至于衡量一个竞技项目的竞技性，单纯用运气所占比例是没有意义的。随着对局数的增大，运气所占比例会越来越小，选手的长期成绩必然会向其真实水平收敛。一个竞技项目的竞技性应当用「区分选手竞技水平所需必要对局时间」来衡量。比如围棋需要三番棋，麻将需要2000手牌，围棋一盘平均需要4小时，三番棋约12小时，而麻将一手牌约3分钟（网络对局），2000手牌约100小时。麻将相比围棋有运气成分，并不意味着麻将选手的竞技水平无法衡量，而意味着麻将需要更多的对局时间来区分选手的竞技水平。
下图选自日本麻将平台天凤麻雀凤凰桌1000场以上玩家安定段位排行。这里的「试合」是指半庄，也就是两圈牌，考虑到连庄，平均一试合是10手牌，1000试合是10000手牌。可以看到牌手的竞技水平得到了很显著的区分，结果也与麻将圈内认知相似。
所以在这个问题下我们讨论麻将AI能否战胜人类，指的是麻将AI长期成绩（10000手牌以上）能否比人类更好，并不是单指一手牌。只打一手牌，谁都有可能和牌，这是牌类游戏的本质所决定的。
当然，这里也不考虑牌手或AI作弊的问题。如果通过作弊获得别人手牌的非法信息，麻将的竞技平衡就完全被打破了。再强的麻将AI成绩也不可能比作弊的人类好，反之亦然。事实上，现在很多单机麻将游戏的AI就是通过作弊来增加「智能」的。
三. 麻将会成为人类面对人工智能的「最后壁垒」吗？
一言以蔽之，麻将AI不是做不了，而是没人做。之所以目前还没有能够战胜人类的麻将AI，主要原因还是人们在麻将AI研究方面的投入不够。目前的麻将AI基本都是麻将游戏制作团队为麻将游戏设计的，在单机上就可以运行，强度自然有限。如果像AlphaGo一样，世界顶级团队制作，背后庞大资金支持，使用1000个CPU运行，想要设计一个轻易战胜人类顶尖麻将牌手的AI没有任何难度。
首先，麻将的复杂度要远远小于围棋。单就自己的14张手牌来说（总牌数136张），组合共有种（计算方法详见麻雀の数学），远远小于围棋的2.08&10^170。不足10^12的手牌种类意味着麻将AI完全可以提前计算好每手牌的打法估值并储存在资料库中，打牌时调用即可。
下图选自日本麻将研究者らすかる的个人网站麻雀の数学。
当然，打麻将也要考虑别人打的牌以及各家的得分。各家分差的复杂度是很小的，而别人打的牌虽然复杂度会很高（136张牌的牌墙组合为4.3&10^185种，甚至超越了围棋的复杂度），但别人打的10张牌大多只有1~2张是有用的信息，AI只需要识别这种模式并搜索对比以往对局的牌谱即可。
其次，人类对麻将的研究远不及围棋，顶尖麻将牌手的训练水平很低。相比围棋研究几千年的历史，麻将诞生不过百余年，人们真正开始利用科学手段（统计学、大数据）来研究麻将只是近十年刚刚起步。例如「间四间」是上世纪流行的日本麻将理论，指的是别人打过中间相隔4张的2张同花色数牌，则这2张牌的内侧筋牌是危险牌。如别人打过三筒、八筒（中间相隔四五六七筒），则四七筒是危险牌，这是因为别人手里一开始可能是三五六八筒，三八筒效率较低被打掉，留下的五六筒要四七筒。这一理论在近十年的大数据研究中已被证明是完全错误的——别人要四七筒的概率并没有显著性的上升。
可见，目前人们对麻将的研究还处在很初级的阶段，通过别人打过的牌来分析别人想要的牌的科学研究才刚刚开始。麻将界也没有围棋那样3岁开始学棋，10几岁就和世界顶级高手过招，接受世界顶级指导的职业选手。麻将本身复杂度低，人类顶尖牌手水平又不高，被人工智能击败会比围棋要容易得多，不可能是「最后壁垒」。
四. 现在有哪些比较强的麻将AI？
竞技麻将方面，目前国标麻将和日本麻将都有比较强的AI（高于人类平均水平）。日本麻将的AI目前最强的当然是「爆打」。
「爆打」是由东京大学工学系在读博士生水上直纪开发的日本麻将AI，他所在的课题组就是专门研究麻将AI的。爆打和AlphaGo一样，也具有自我对局和分析并学习人类牌谱的能力。水上发表过的论文题目为《Realizing a Four-Player Computer Mahjong Program by Supervised Learning with Isolated Multi-Player Aspects》，全文详见http://www.logos.ic.i.u-tokyo.ac.jp/~mizukami/paper/jousho_2014.pdf。
爆打从2015年开始在最大的日本麻将平台——天凤麻雀上开始运行，至2016年2月已经打了1.3万多场（约13万手牌）。2015年9月，爆打达到天凤麻雀四段，2015年12月更是一度冲进天凤七段，长期成绩显示平均为六段以上。这意味着什么呢？
上图是天凤麻雀平台日的段位成绩分布图（来源オンライン対戦麻雀 天鳳 / ランキング）。天凤平台具有非常科学的段位和Elo Rating体系，越是和高水平牌手对局，获胜后Rate增加越多，失败后Rate减少越少；越是和低水平牌手对局，获胜后Rate增加越少，失败后Rate减少越多。最终段位和Rate值的稳定值就代表了牌手的真实实力。
可以看到，天凤麻雀平台的活跃用户数约为17万人（不包括新人僵尸号），而六段以上的用户总数为5793人，约占3.4%。也就是说，爆打打麻将比96.6% 的麻将玩家要好，全世界麻将打得比爆打好的人，数量仅有几万人左右（包含所有麻将规则的估算）。这只是一个课题组，用时一年多研究出的，在一台电脑上运行的麻将AI，就已经基本赶上AlphaGo早期版本所取得的成绩了。
国标麻将方面，目前最强的AI大概是我本人目前正在参与设计的国标麻将AI了。最初的版本只加入了最常用的十几个番种的分值判断，防守端几乎没有做，实测对随机牌手和牌率就已经达到24% 左右，基本与国标麻将平均和牌率24.3% 持平（国标麻将数据可见国标麻将、日本麻将对局时，「点炮、自摸、流局」的比例分别是多少？ - 段昊的回答）。实际水平大概处在所有牌手中上位10~20%左右的水平（低段位牌手多，大部分牌手的水平处在平均以下）。
五. 麻将AI的算法应该是什么样子的？
最后，我来浅谈一下麻将AI的基本算法。
1. 基础牌效率
麻将的牌效率指的是能使手牌更快和牌的打牌方法，是麻将的基本功。来简单举个例子：
下图牌画取自联众国标麻将（）。
这是一手13张牌的手牌，现阶段是一上听（差1张牌就可以听牌），那么哪些牌是有用的牌，或者说我摸到哪些牌会留下呢？这些有用的牌称为「有效牌」，最有用的当然是能让我直接听牌的牌，这类牌称为「第一类有效牌」。
第一类有效牌：能使手牌向和牌前进一步（上听数降低）的牌，包括：
除了第一类有效牌，有用的牌还有以下这些：
第二类有效牌：不能使上听数降低，但能使第一类有效牌增多的牌，包括：
比如摸到九索，一般情况下应该选择留下九索打掉三索，因为第一类有效牌变多了：
计算采用天凤牌理オンライン対戦麻雀 天鳳 / 牌理。
第三类有效牌：不能使上听数降低，也不能使第一类有效牌增多，但能使第二类有效牌增多的牌，包括：
比如摸到五索，一般情况下应该选择留下三五索拆掉八九索，虽然第一类有效牌张数没变，但三五索相比八九索多了1种第二类有效牌——六索（原是第三类有效牌）。
（也许看到这里，你有点算不过来，或者感觉这和你平时打的麻将压根不是一个游戏。没关系，这很正常，你可以找张纸，在纸上仔细算一下每种第二类有效牌都新增了哪些第一类有效牌。）
可见，对于一开始一上听的13张手牌而言，除了七八九筒外的所有数牌都是有用的牌。麻将的牌效率就是这样——不断通过有效牌增大自己的进张面，最终使得和牌的概率越来越大。也许你已经发现，麻将牌效率的本质就是一个搜索树，最开始的手牌
经过多轮选择后可能对应多种结局（和牌），例如：
路径：摸到第一类有效牌八万或七索听牌，再自摸另一张和牌（最大概率结局）。
路径：先摸到第二类有效牌一万或七万后打掉三索，然后摸到一万或七万的另一张听七索，或者摸到七索选择听一万和七万对倒和牌。
路径：先摸到第三类有效牌三筒后打掉三索，然后摸到四筒后拆掉八九索，之后和牌。
对于一个两上听以内的手牌来说，这个树的深度最多也就是4~5步，每一步的分支平均在15种左右，也就是说复杂度最多在10^5数量级。由于每条路径都对应着一个确定的概率，一个好的麻将AI完全可以做到遍历这个树，比较两种或更多种打牌选择之间所对应结局的和牌期望之和。
对于三上听以外的手牌（由上文图中可知三上听以外的手牌约占手牌所有组合的80%），由于手牌中会存在大量的孤张或简单搭子，只需单独比较孤张或简单搭子的效率即可，计算量更小。
除了上述穷举手牌搜索树的方法，还可以采用模拟的方法。比如让麻将AI在短时间内模拟两种打法各1000手牌，哪个和牌率更高就选哪种打法。虽然这样不太精确但已经足够保证比人要强了。
2. 和牌限制与番数价值
很多麻将规则对和牌有限制，比如国标麻将必须八番起和，四川麻将必须缺一门，太原麻将和牌必须包含指定牌张等等。我们只需在上述基础牌效率算法搜索树的基础上，「砍掉」那些结局不符合要求的分支即可。
有些时候我们不仅关注和牌的概率，也关注和牌的大小，比如有些牌我们宁可损失一些进张也想去做清一色，追求更高的和牌得分。我们只需为树的所有结果赋值（和牌得分），并用结局对应的值与路径对应的概率求出不同打法的得分期望并进行比较。
3. 副露判断
「这个牌该不该碰」似乎是打麻将时比较令人头疼的问题。但其实副露判断只是计算量大，并不需要特殊的算法，依然是对比碰与不碰两种选择所对应的所有结局的得分期望即可。日本麻将中的立直（报听）判断也是同理。
只不过当我们在考虑「打哪张好」的时候，两种打牌选择之间所对应的路径和结局有大部分都是重合的；而我们在考虑「该不该碰」的时候，两种选择所对应的路径和结局基本是完全不同的，这无形中增大了计算量。其实人脑在做蒙特卡洛树搜索时，比较容易做到「想得很深」，比如职业棋手可以提前算到20甚至30步棋；但难以做到「想得很广」，通常情况下大脑只能做到从两种选择中找几个概率较大、有代表性的结局样本做比较。所以副露判断显得难，其实只是计算量的问题，而对于麻将AI来说，这不是问题。
防守端需要解决的是攻守判断和防守打法两个问题，即「什么时候要防守」和「要防守应该打什么」。解决这些问题最好的方法是让麻将AI自己通过大量的牌谱（千万场量级）进行自我学习。正如前文我所提到的，其实人们对于麻将应该如何科学防守的研究也才刚刚开始，想要分析一个打过三筒和八筒的人真正需要的是几筒，需要大量的牌谱作为样本进行研究。这部分研究现在还要等待电脑去完成，未来的麻将AI在这方面要比人类做得更好可以说是必然的。
对大量牌谱所做的出牌模式研究还可反过来应用于牌效率算法的改进中。比如早巡打过八万的人手牌中有九万的概率较小，那么牌墙中剩余九万的概率就有所上升，牌效率中利用九万的路径的概率就可以做出相应的修正。
5. 状况判断
状况判断指的是麻将的「大局观」，如为了争取第一名或者为了规避第四名而采取不同的策略。状况判断其实就是对得分期望做进一步的修正。比如某状况下我必须自摸13番牌才能逆转，那么最终结果是13番以下的牌的得分期望可以进一步降低，而13番及以上的牌的得分期望则可以提高。
总之，麻将的复杂度较低，算法上可以用搜索树穷举法以及大量牌谱的自我学习来解决，只要有大量牌谱资料，有人肯花时间，有人愿意出资，开发一个能胜过人类的麻将AI，非常容易。
原文发表于知乎
免责声明：本文仅代表作者个人观点，与环球网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
环球时报系产品
扫描关注环球网官方微信
扫描关注 这里是美国微信公众号
扫描关注更多环球微信公众号