本题已收录至知乎圆桌 >> ，更多关于李世乭对战人工智能的解读欢迎关注讨论。-----不靠谱问题：AI在麻将这样的群体博弈项目上能够战胜人类吗？在人类选手有可能联合起来作弊的情况下呢？
人工智能根本不会进入这些原本就靠运气的领域，因为没有意义。就像你怎么不问人工智能能否买彩票中头奖。
谢邀。很高兴能借着 AlphaGo 的东风，和大家分享一下&b&麻将 AI &/b&研究的现状。&br&&br&&br&&u&一. 麻将和围棋有什么不同？&/u&&br&&br&从博弈论的角度来讲，围棋是&b&完全信息动态博弈&/b&，而麻将属于&b&非完全信息动态博弈&/b&。围棋中对局双方所掌握的&b&信息&/b&是&b&对称&/b&的，而麻将中各对局者间所掌握的&b&信息不对称&/b&。虽然大家都能看到每位牌手打过什么牌，但&b&你不知道我的手牌是什么，我也不知道你的手牌是什么&/b&。这种信息不对称的产生的根本原因是&b&牌墙的随机性&/b&。&br&&br&围棋与麻将（或者说&b&棋与牌&/b&，&b&弈与博&/b&）的上述区别，决定了它们&b&获胜策略&/b&的根本不同。棋类项目本质上就是&b&蒙特卡洛树&/b&，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&b&遍历&/b&整个树，所以 AlphaGo 会通过&b&价值网络&/b&来估计某一分支下&b&胜结局的概率&/b&。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。&br&&img src=&/419b6cf5e973a37ed8b40a_b.jpg& data-rawwidth=&571& data-rawheight=&233& class=&origin_image zh-lightbox-thumb& width=&571& data-original=&/419b6cf5e973a37ed8b40a_r.jpg&&&br&&br&而牌类的获胜策略在于尽可能增大自己的&b&得分期望（EV）&/b&。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&b&概率空间&/b&，我只需做出一个选择，使得自己的&b&得分函数&/b&的期望最大。牌类策略的难点在于，影响这一概率空间的&b&因素过多&/b&，且&b&具体影响&/b&很难确定，比如对手打牌的&b&习惯&/b&。&br&※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。&br&&img src=&/ee7fa4ef8329bde2e1450e28_b.jpg& data-rawwidth=&639& data-rawheight=&376& class=&origin_image zh-lightbox-thumb& width=&639& data-original=&/ee7fa4ef8329bde2e1450e28_r.jpg&&&br&&br&&u&二. 何谓「获胜」？&/u&&br&&br&选手的&b&竞技水平&/b&如何&b&衡量&/b&？麻将是否是&b&「运七技三」&/b&的游戏？其实无论围棋还是麻将，区分选手的竞技水平都&b&不可能只靠一局&/b&，就好比 AlphaGo 和李世乭要进行&b&五番棋&/b&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&b&竞技麻将&/b&（国标麻将、日本麻将）而言，区分顶尖选手的竞技水平至少需要&b&
手牌&/b&（如果采用类似桥牌的&b&复式赛制&/b&，这一数字会大幅降低）。&br&&br&至于衡量&b&一个竞技项目的竞技性&/b&，单纯用&b&运气所占比例&/b&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，&b&选手的长期成绩必然会向其真实水平收敛&/b&。一个竞技项目的竞技性应当用「&b&区分选手竞技水平所需必要对局时间&/b&」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&b&运气&/b&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&b&更多的对局时间&/b&来区分选手的竞技水平。&br&&br&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&b&很显著的区分&/b&，结果也与麻将圈内认知相似。具体讲解请参见&a href=&/question//answer/& class=&internal&&打麻将的水平可以高到什么程度？ - Suwako Zhai的回答&/a&。&br&&img src=&/75c98dec5fe5ee_b.png& data-rawwidth=&600& data-rawheight=&271& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/75c98dec5fe5ee_r.png&&&br&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 &b&长期成绩&/b&（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。&br&&br&当然，这里也不考虑牌手或 AI &b&作弊&/b&的问题。如果通过作弊获得别人手牌的非法信息，麻将的&b&竞技平衡&/b&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。&br&&br&&br&&u&三. 麻将会成为人类面对人工智能的「最后壁垒」吗？&/u&&br&&br&一言以蔽之，&b&麻将 AI 不是做不了，而是没人做&/b&。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&b&投入不够&/b&。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 &b&没有任何难度&/b&。&br&&br&首先，麻将的&b&复杂度&/b&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&b&
种&/b&（计算方法详见&a href=&///?target=http%3A//www10.plala.or.jp/rascalhp/mjmath.htm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻雀の数学&i class=&icon-external&&&/i&&/a&），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&b&提前计算好每手牌的打法估值并储存在资料库中&/b&，打牌时调用即可。&br&※下图选自日本麻将研究者らすかる的个人网站&a href=&///?target=http%3A//www10.plala.or.jp/rascalhp/mjmath.htm& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻雀の数学&i class=&icon-external&&&/i&&/a&。&br&&img src=&/2a12c45fd35dbdbdce5cd1_b.jpg& data-rawwidth=&537& data-rawheight=&263& class=&origin_image zh-lightbox-thumb& width=&537& data-original=&/2a12c45fd35dbdbdce5cd1_r.jpg&&&br&当然，打麻将也要考虑&b&别人打的牌&/b&以及&b&各家的得分&/b&。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&b&识别这种模式并搜索对比以往对局的牌谱&/b&即可。&br&&br&其次，人类&b&对麻将的研究&/b&远不及围棋，顶尖麻将牌手的&b&训练水平&/b&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&b&科学手段&/b&（&b&统计学、大数据&/b&）来研究麻将只是&b&近十年&/b&刚刚起步。例如&b&「间四间」&/b&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&b&内侧筋牌&/b&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&b&完全错误&/b&的——别人要四七筒的概率并没有显著性的上升。&br&&img src=&/9d320e764189ccce0d4f11f_b.jpg& data-rawwidth=&226& data-rawheight=&84& class=&content_image& width=&226&&&br&可见，目前人们对麻将的研究还处在很&b&初级&/b&的阶段，通过别人打过的牌来分析别人想要的牌的&b&科学研究&/b&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&b&职业选手&/b&。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」。&br&&br&&br&&u&四. 现在有哪些比较强的麻将 AI？&/u&&br&&br&竞技麻将方面，目前&b&国标麻将&/b&和&b&日本麻将&/b&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&b&「爆打」&/b&。&br&&img src=&/c22ad11f793fad4a9fd174ac600decd4_b.jpg& data-rawwidth=&728& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&728& data-original=&/c22ad11f793fad4a9fd174ac600decd4_r.jpg&&&img src=&/f1c02b7f18cef5d71bc1854_b.jpg& data-rawwidth=&728& data-rawheight=&526& class=&origin_image zh-lightbox-thumb& width=&728& data-original=&/f1c02b7f18cef5d71bc1854_r.jpg&&&br&「爆打」是由东京大学工学系在读博士生&b&水上直纪&/b&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&b&自我对局&/b&和&b&分析并学习人类牌谱&/b&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&a href=&///?target=http%3A//www.logos.ic.i.u-tokyo.ac.jp/%7Emizukami/paper/jousho_2014.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&logos.ic.i.u-tokyo.ac.jp&/span&&span class=&invisible&&/~mizukami/paper/jousho_2014.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&。&br&&br&爆打从 2015 年开始在最大的日本麻将平台——&b&天凤麻雀&/b&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&b&天凤麻雀四段&/b&，2015 年 12 月更是一度冲进&b&天凤七段&/b&，长期成绩显示平均为&b&六段以上&/b&。这意味着什么呢？&br&&img src=&/bbfdacd414eeb_b.jpg& data-rawwidth=&676& data-rawheight=&534& class=&origin_image zh-lightbox-thumb& width=&676& data-original=&/bbfdacd414eeb_r.jpg&&&br&上图是天凤麻雀平台 2016 年 3 月 13 日的段位成绩分布图（来源&a href=&///?target=http%3A//tenhou.net/ranking.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&オンライン対戦麻雀 天鳳 / ランキング&i class=&icon-external&&&/i&&/a&）。天凤平台具有非常科学的&b&段位和 Elo Rating 体系&/b&，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&b&稳定值&/b&就代表了牌手的&b&真实实力&/b&。&br&&br&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 &b&3.4%&/b&。也就是说，爆打打麻将比&b& 96.6% &/b&的麻将玩家要好，全世界麻将打得比爆打好的人，数量仅有&b&几万人&/b&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。&br&&br&&b&国标麻将&/b&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&a href=&/question//answer/& class=&internal&&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&/a&）。实际水平大概处在所有牌手中&b&上位 10~20% &/b&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）。&br&&br&&br&&u&五. 麻将 AI 的算法应该是什么样子的？&/u&&br&&br&最后，我来浅谈一下麻将 AI 的基本算法。&br&&br&&u&1. 基础牌效率&/u&&br&&br&麻将的牌效率指的是&b&能使手牌更快和牌的打牌方法&/b&，是麻将的基本功。来简单举个例子：&br&※下图牌画取自&b&联众国标麻将&/b&（&a href=&///?target=http%3A//& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&）。&br&&img src=&/dfc15d61b_b.jpg& data-rawwidth=&713& data-rawheight=&84& class=&origin_image zh-lightbox-thumb& width=&713& data-original=&/dfc15d61b_r.jpg&&这是一手 13 张牌的手牌，现阶段是&b&一上听&/b&（差 1 张牌就可以听牌），那么哪些牌是&b&有用&/b&的牌，或者说我摸到哪些牌会&b&留下&/b&呢？这些有用的牌称为「&b&有效牌&/b&」，最有用的当然是能让我直接听牌的牌，这类牌称为「&b&第一类有效牌&/b&」。&br&●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：&br&&img src=&/b4f80ff611d9fe9bac9ad1a8f766d7f1_b.jpg& data-rawwidth=&117& data-rawheight=&81& class=&content_image& width=&117&&除了第一类有效牌，有用的牌还有以下这些：&br&●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：&br&&img src=&/9eee6b2ee1e88f233d83a3_b.jpg& data-rawwidth=&548& data-rawheight=&84& class=&origin_image zh-lightbox-thumb& width=&548& data-original=&/9eee6b2ee1e88f233d83a3_r.jpg&&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：&br&※计算采用天凤牌理&a href=&///?target=http%3A//tenhou.net/2/%3Fq%3Dp3899s& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&オンライン対戦麻雀 天鳳 / 牌理&i class=&icon-external&&&/i&&/a&。&br&&img src=&/c76f5c1e881fcee05c0d767_b.jpg& data-rawwidth=&449& data-rawheight=&201& class=&origin_image zh-lightbox-thumb& width=&449& data-original=&/c76f5c1e881fcee05c0d767_r.jpg&&●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：&br&&img src=&/bd875ab012cb97d5a28b27a_b.jpg& data-rawwidth=&658& data-rawheight=&83& class=&origin_image zh-lightbox-thumb& width=&658& data-original=&/bd875ab012cb97d5a28b27a_r.jpg&&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）。&br&&img src=&/c7f174aa0bd664b609e3fd_b.jpg& data-rawwidth=&445& data-rawheight=&286& class=&origin_image zh-lightbox-thumb& width=&445& data-original=&/c7f174aa0bd664b609e3fd_r.jpg&&（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。）&br&&br&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——&b&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&/b&。也许你已经发现，麻将牌效率的本质就是一个&b&搜索树&/b&，最开始的手牌&br&&img src=&/dfc15d61b_b.jpg& data-rawwidth=&713& data-rawheight=&84& class=&origin_image zh-lightbox-thumb& width=&713& data-original=&/dfc15d61b_r.jpg&&经过多轮选择后可能对应多种结局（和牌），例如：&br&①&img src=&/e5f77ec77d4432c22ababe123f63a2ec_b.jpg& data-rawwidth=&766& data-rawheight=&84& class=&origin_image zh-lightbox-thumb& width=&766& data-original=&/e5f77ec77d4432c22ababe123f63a2ec_r.jpg&&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）。&br&②&img src=&/b0d8f679b_b.jpg& data-rawwidth=&769& data-rawheight=&84& class=&origin_image zh-lightbox-thumb& width=&769& data-original=&/b0d8f679b_r.jpg&&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。&br&③&br&&img src=&/fbda377e0dbbc6c142439ff_b.jpg& data-rawwidth=&767& data-rawheight=&83& class=&origin_image zh-lightbox-thumb& width=&767& data-original=&/fbda377e0dbbc6c142439ff_r.jpg&&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。&br&&br&对于一个&b&两上听以内&/b&的手牌来说，这个树的深度最多也就是&b& 4~5 步&/b&，每一步的分支平均在&b& 15 种&/b&左右，也就是说复杂度最多在&b& 10^5 数量级&/b&。由于每条路径都对应着一个确定的&b&概率&/b&，一个好的麻将 AI 完全可以做到&b&遍历&/b&这个树，比较两种或更多种打牌选择之间所对应结局的&b&和牌期望之和&/b&。&br&&br&对于&b&三上听以外&/b&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。&br&&br&除了上述穷举手牌搜索树的方法，还可以采用&b&模拟&/b&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。&br&&br&&u&2. 和牌限制与番数价值&/u&&br&&br&很多麻将规则&b&对和牌有限制&/b&，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&b&基础牌效率算法搜索树&/b&的基础上，「&b&砍掉&/b&」那些结局不符合要求的分支即可。&br&&br&有些时候我们不仅关注和牌的概率，也关注&b&和牌的大小&/b&，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&b&和牌得分&/b&。我们只需为树的所有结果赋值（和牌得分），并用&b&结局对应的值&/b&与&b&路径对应的概率&/b&求出不同打法的&b&得分期望&/b&并进行比较。&br&&br&&u&3. 副露判断&/u&&br&&br&「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&b&副露判断&/b&只是&b&计算量大&/b&，并不需要特殊的算法，依然是&b&对比&/b&碰与不碰两种选择所对应的所有结局的&b&得分期望&/b&即可。日本麻将中的&b&立直（报听）判断&/b&也是同理。&br&&br&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&b&大部分都是重合的&/b&；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&b&完全不同&/b&的，这无形中&b&增大了计算量&/b&。其实人脑在做蒙特卡洛树搜索时，比较容易做到&b&「想得很深」&/b&，比如职业棋手可以提前算到 20 甚至 30 步棋；但难以做到&b&「想得很广」&/b&，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&b&结局样本&/b&做比较。所以副露判断显得难，其实只是&b&计算量&/b&的问题，而对于麻将 AI 来说，这&b&不是问题&/b&。&br&&br&&u&4. 防守端&/u&&br&&br&防守端需要解决的是&b&攻守判断&/b&和&b&防守打法&/b&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&b&自我学习&/b&。正如前文我所提到的，其实人们对于麻将应该如何&b&科学防守&/b&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&b&大量&/b&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。&br&&br&对大量牌谱所做的&b&出牌模式研究&/b&还可反过来应用于牌效率算法的&b&改进&/b&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&b&修正&/b&。&br&&br&&u&5. 状况判断&/u&&br&&br&状况判断指的是麻将的&b&「大局观」&/b&，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&b&得分期望&/b&做进一步的&b&修正&/b&。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。&br&&br&&br&总之，麻将的复杂度较低，算法上可以用&b&搜索树穷举法&/b&以及&b&大量牌谱的自我学习&/b&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，&b&非常容易&/b&。&br&&br&————————准备跑题的分割线————————&br&&br&最后的最后我想说，同为智力运动，相比棋类，人们对牌类的研究真的是太少了。虽然牌类的竞技性（区分选手竞技水平的必要对局时间）要普遍弱于棋类，但牌类也有其独特的策略与魅力。诚然，人们普遍对牌类项目有着各种各样的偏见与误解，比如认为牌类是纯运气项目，比如说起牌类就联系到赌博……也正由于此，牌类项目的规范化、竞技化、运动化才显得尤为迫切与重要。&br&&br&我希望有朝一日，麻将、斗地主、德州扑克这些项目能够获得与桥牌同样的地位与发展空间。我希望未来的孩子们既可以选择学习围棋，也可以选择学习麻将。我正走在追寻理想的道路上，而且我坚信理想并不遥远：&a href=&///?target=http%3A//www./n318/n352/c709465/content.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&国际智盟执委会：麻将扑克有望亮相下届智英赛&i class=&icon-external&&&/i&&/a&。
谢邀。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…
有几点需要事先明确。&br&什么是战胜？打一局和一局？打999局和250局及以上？打999局250局以上Top？还是几千及几万场之后Top率比人更高？&br&打的是什么麻将规则？日麻？国标？还是其他地方麻将？具体细节又是什么？&br&打的是什么？实体麻将？还是网络麻将？如果打网络麻将，那么电脑的信息是否和人一样是不完整的（不知道他家手牌和牌墙）？&br&1个人打3个不会作弊互相敌对的电脑？还是3个人打1个电脑？人会不会作弊？&br&&br&假设是天凤麻将（日本麻将规则，网络麻将），比较几千局几万局的Top率，AI无法得知牌山和他家手牌。&br&这个我可以打包票，&b&顶级AI一定能完虐人类&/b&，&b&比人类高个5%的Top率还是很轻松的&/b&。&br&顶级AI指的是电脑可以通过各种计算得出最优解，这对于AI来说并不复杂。&br&麻将的计算量比围棋要小得多，切牌的选项基本是唯一的（扩展阅读&a href=&/question//answer/& class=&internal&&科学麻将每一手的决定是否唯一？ - 段昊的回答&/a&），虽然人类可能判断不好55和45，但是AI是可以的。即便是51和49，AI也会选择51，几局几十局甚至几百局可能差异都不明显，但是几千几万局下来51肯定是比49要更有优势的，这就会影响Top率。&br&另外5%Top率的差异是个什么概念呢？&br&一般天凤麻将打入初段，认为是了解规则了；打到四段特上，认为是熟悉日本麻将了；打到七段以上，认为是日麻的高手了；当然上面还有天凤位，就是高手中的高手——绝顶高手了，目前仅有9人。&br&然而，从&a href=&///?target=http%3A//tenhou.net/ranking.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&オンライン対戦麻雀 天鳳 / ランキング&i class=&icon-external&&&/i&&/a&我们可以看出，即便是天凤位和初段，Top率的差异也不到4%。而天凤位和9级之间Top率的差异，也仅仅有7%左右。&br&这5%用通俗易懂的话来说就是，&b&AI会碾压人类中的麻将高手。&/b&&br&&i&火警对于这里有一些不同的观点，放上来供大家参考。&/i&&br&&blockquote&有一点小小的问题：天凤位和初段 top 率的差距小主要原因在于对手实力相差大 如果同样都让天凤位和初段去打特上，且改为 top 奖励的规则，top 率的差距应该能够达到 15 个百分点。&br&&/blockquote&基本认同这个观点，除了最后的15%个人感觉略高。另外，这个观点对结果的影响并不很大（尽管有），所以就不修改原文了。&br&&br&然而，这是比较了几千几万局的数据得出的结论。事实上，&b&如果只打几盘&/b&，哪怕是三个AI和一个人类，AI也不一定能战胜人类。假设AI的Top率是35%，人类的Top率为25%（已经是压倒性的优势了），只打一盘人类也有19.2%的概率拿到Top。&br&&br&另外，在考虑作弊的情况下，如果AI不会作弊，即便是几盘比赛，AI也有99.9%的概率无法拿到一个Top。而如果AI会作弊（比如得知他家手牌和牌山），那就不好说了，这已经不是常人能触及到的领域了，我也不做过多论述了。
有几点需要事先明确。 什么是战胜？打一局和一局？打999局和250局及以上？打999局250局以上Top？还是几千及几万场之后Top率比人更高？ 打的是什么麻将规则？日麻？国标？还是其他地方麻将？具体细节又是什么？ 打的是什么？实体麻将？还是网络麻将？如果打…
已有帐号？
无法登录？
社交帐号登录
时间腐朽心}