人工智能在麻将领域能够战胜人类吗？？？_汇桔网社区
您还未登录
汇桔网微信
机器人&智能装备
已有0人关注
人工智能在麻将领域能够战胜人类吗？？？
发表在：机器人&智能装备版块
作为一个长期关注AI的、曾经尝试过编写棋类AI程序的码农。我想说麻将、扑克等的AI程序比象棋、围棋要简单得多。之所以被关注的的少，主要是因为这种游戏中运气成分比重较高，验证AI能力的过程略微麻烦。
棋牌领域人类和AI争夺的最后一块阵地毫无疑问是围棋，这也是为什么这一次的对决如此受关注的原因。
请记住李世石对AlphaGo的这一场胜利，这也许是人类最后一次在围棋上战胜顶级AI。
已有1人评价
恶意攻击谩骂
期待你跟谷歌AI来一场麻将大战！
恶意攻击谩骂
当前已输入0个字, 10000
汇桔网-5评论-
36Kr-1评论-
北京晨报-1评论-
汇桔网-1评论-
威锋网-0评论-
中国网-2评论-
文字作品版权登记一、根据国家版权局《作品自愿登记试行办法》的有关规定，凡本省的作者、其他享...
《最高人民法院关于审理涉及计算机网络著作权纠纷案件适用法律若干问题的解释》第一条规定：网络...
商标权商标权是商标专用权的简称，是指商标...
“您们企业的项目根本没戏，看我们的项目，...
点击获取验证码
保存成功，返回会员中心查看
请完善词条信息
请完善帖子信息
新浪官方微博
微信公众号围棋之后，德州扑克也被人工智能攻克！麻将会是人类的最后堡垒吗？
过年大家都打麻将了吗？
在围棋领域七进七出的AI
又在最近征服了德州扑克……
下一个，会是我们都爱的麻将吗？
在AlphaGo击退李世石之后，化身“master”、标注为韩国九段的“神秘棋手”，又在围棋网站弈城与野狐上杀退了60位人类顶级高手，并表示自己其实就是是AlphaGo。
当时古力坦言，与AI的对局让他感受到了围棋的神秘，人类与人工智能共同探索围棋世界的大幕即将拉开。
围棋之后，德扑也被征服了
最新一次“德州扑克人机大战”前天在美国匹兹堡举行，美国卡耐基梅隆大学开发的人工智能Libratus以绝对优势击败4名人类顶尖德州扑克高手，这是人工智能在各种棋牌游戏中对人类取得的又一个胜利。
北京时间1月12日-31日，由计算机科学教授尚德洪姆与博士生布朗共同研发的Libratus人工智能系统，和4名世界顶级玩家共玩了12万手一对一不限注的德州扑克。比赛结束时，人工智能领先人类选手共约177万美元筹码。在4名人类顶尖选手中，输得最少的一位也落后人工智能约8.6万美元筹码。
要知道，扑克是一种有关不确定性的游戏。玩家并不知道其他对手手里的牌。也不清楚以后会有什么牌。在类似围棋或国际象棋的游戏中，所有玩家都可以看到棋盘。每个玩家的信息都是完整的，而不完整信息博弈早已被证明是难以攻克的计算机难题。
另外，扑克也需要懂点其他玩家的心理学。他们有没有在唬牌？需不需要盖牌？你要不要也唬牌？最后，还需要下注。啥时候下注？赌啥？这些都为编写击败人类选手的扑克程序增加了难度。
尚德洪姆教授赛后说：“这是AI开辟的新疆界，也是AI在游戏比赛中获得的里程碑式突破。Libratus的成功主要在于不断学习，每天比赛结束后其内置的原算法就会分析对手的漏洞和技巧，这使它能学到人类牌手的技巧并有所提升。”
这只是个开始。Libratus 玩的仅仅是双人版单挑无限额德州扑克。玩家增多会大大增加游戏的复杂性。因此，在计算机还需要几年时间才能够对抗四个或更多玩家。
但这是另一个人工智能如何在狭窄领域接管人类工作的例子。一个被广泛报道的牛津大学 2013 年的研究，研究中估计在接下来 20 年内美国 47% 的工作受到来自自动化取代的风险。
毫无疑问，许多人都想知道终极结果是什么。计算机会最终接管人类所有的工作吗？在体育领域里，AI还能干什么？
AI在体育领域都能做什么？
1.体育类游戏
人工智能在体育中最初级的应用就是体育类游戏，单机情况下电脑作为对手会根据操作者的习惯来不断进行自我学习和升级。
例如2K系列，从2K14开始AI就能够实时对对手的战术，跑位和操控习惯做出更加合理的反馈，而不是只遵循已经设定好的程序。目前打2K的小伙伴肯定会发现跟电脑对战的次数越多，电脑对自己的打法就越来越熟悉，赢球也越来越难，让人感觉在屏幕的背后，也有一颗活生生的大脑.......
▼从画面到AI，体育游戏越来越真假难辨
2.体育博彩与竞猜
目前人工智能还普遍运用于体育竞猜与博彩行业。国外某家博彩公司在自己的线上平台提供AI机器人的比赛分析，预测报告，给正在下注的用户一些有价值的参考。这些相关的预测基于AI对大量历史数据的掌握和研究。
上图中的游戏是梦幻英超，一种类似于体育竞猜的游戏。玩家拥有一定初始资金，每轮比赛挑选球员组成11人。每轮英超比赛之后，电脑会根据现实比赛中进球、助攻或是吃牌的情况，给每名球员打分，玩家的每轮得分就是球员分数的总和。
▼英媒对于AI的赞叹
此前有研究人员在该游戏中引入AI玩家，结果经过一个赛季的比赛，AI所代理的球队击败了99%的现实玩家（玩家总数为250万人），由此可见AI在体育赛事分析预测方面的惊人能力，也有人戏称，干脆英超保级队直接引入AI来为球队挑选首发得了。
同样的，考虑了综合因素的AI去预测比赛，成功率也是相当高的。不知道会不会有人靠着AI在赌球界无往不利，发家致富呢？当然，圈哥要声泪俱下的提醒大家一句：小赌怡情，大赌伤身啊！不忍回顾圈哥的14年世界杯……
与其他AI的“纸上谈兵”不一样，某些AI已经操控着自己的“身体”参与到运动之中了。
去年年初在美巡赛的菲尼克斯公开赛中，一个名叫LDRIC的机器人选手在球场的第16洞轻松打出了一记一杆进洞。
▼有GIF有真相
这个蠢萌的家伙到底是怎样能如此轻松就打出一杆进洞呢？原来，AI可以依靠对于距离、风速、角度等多个因素的测算，来进行精确计算，最终打出精彩的一杆。
▼LDRIC这样子蠢萌得不要不要的??
在未来，LDRIC的主要工作是对各种高尔夫装备进行测试和试验。通过AI控制，机器人能够能模仿出每位高尔夫选手在挥杆时的动作特点，以此来判断出最适合该名球员的球杆的长度，尺寸和重量等等细节。
4.机器人比赛
同样是由AI控制参加体育项目，比起LDRIC的高尔夫来，AI在机器人足球世界杯（RoboCup）里的应用就非常成熟了。
▼爱尔兰的机器人国家队，全是罗比-基恩可还行……给我换一队的梅西VS一队的C罗吧！
从1997年开始的机器人世界杯，展现的是AI在另一个层面的发展——
小型组机器人的AI能够处理动态环境中运动的复杂合作和控制；而中型机器人重点是在计划和感知水平上的充分自主性与合作性。
▼北京信息科技大学的机器人曾经获得世界杯中型组的冠军
而在机器人比赛中，则需要AI电脑配合机器人身体完成踢球的动作，并在动态行走、跑步、踢球的同时需保持自身平衡。不仅如此，AI还需应用视觉系统来寻找识别球、队员、对手以及场上的位置，在完成收集，分析信息的过程之后，再采取相应的策略对如何做出下一个动作进行选择。
▼这个扑救圈哥给满分！??
5. 篮球（NBA）
NBA目前还没有正式引入人工智能的相关应用，但由于NBA在关键球判罚上的饱受争议，通过引入AI辅助，甚至有朝一日接管裁判的判罚工作，真的有可能在未来成为现实。而就在2015年，来自体育科技（Sports Techie）的专家就提供了一种引入AI裁判的可行性方案。
▼概念图，先别急着吐槽……（ 内心独白：愚蠢的人类为了阻止我们AI统治地球，已经无所不用其极了）
第一步：让所有裁判员离开比赛现场，搬到一个中立的办公室，通过多个机位的摄像机组成360度无死角画面以观察比赛，此举可以消除主场观众对裁判的影响。
第二步：通过此前的数据和经验，开发出一套独特的对于比赛判罚的算法，当现场不同的情况时用穷举法与其对比，然后做出相对正确的判罚。
第三步：让AI积累判罚经验，自主学习和升级以应付不同的情况，尽可能地降低错判的概率。
6.印度板球
在印度，电脑已经能代替人解说板球比赛！而准确率竟然达到了90%。跟刚才NBA裁判的AI相似，研究人员将300场比赛的视频构建为电脑的数据库，并将其分类，再将每个类别的视频分剪成一个个镜头，并让电脑利用算法将每个动作与对应的解说相配。
这样的电脑解说，可以在比赛中利用视觉识别技术，在1.2秒内准确的描述运动员的动作。
▼AI对于板球比赛的分析画面
人类的最后智慧堡垒，会是麻将吗？
近年来，人工智能先后在国际象棋、中国象棋、围棋等游戏中击败了人类顶尖选手。杜克大学计算机教授科尼特兹认为，这次人工智能Libratus击败德州扑克顶级选手是个巨大突破，因为扑克这种不完整信息游戏与现实世界的战略决策更加息息相关，这种特性在商业、政治、安全甚至社交生活中都能发挥直观、重要的作用。
围棋和德州扑克之后，人工智能的下一站会是哪种游戏？有人认为，麻将会是AI无法攻破的堡垒，但实际情况并非如此。行内认为，要研发出在任何规则与赛制下完全击败德州扑克或麻将的人工智能，都不会比研发围棋人工智能更难。
实际上，包括麻将在内的很多中国民间喜闻乐见的棋牌项目，对于开发人工智能来寻找最优解的能力，相比棋类人工智能程序来说都要简单得多，关键只是看投入的金钱与技术。
两位竞技麻将选手道出了自己内心的真实想法，多少有些凄凉：“在麻将桌上的人机对决并没有太大意义。如果说围棋代表人类智能的巅峰的话，麻将并没有与之相当的地位。”的确，在社会评价体系中，它更像是一种老少咸宜的娱乐，或者说在赌博犯罪和棋牌竞技间游走的一个“高危玩物”，它没有资格成为人类面对人工智能的最后堡垒，或者说人工智能战胜麻将并不说明任何问题，甚至毫无优越感可以秀。
如果说阿尔法狗战胜李世石，都可以得得广泛的社会关注，赢得巨大的商业价值的话，那么如果谷歌以同样的人力物力财力投入到阿尔法麻将狗的研发，然后再进行人机大战的话，几乎可以断定会亏得找不到北。
责编：郭了个日
部分内容来自生态圈、果壳网
图片来自网络
? 推荐阅读
国务院85号文助推体育消费，加强教育培训领域人才培养
过年回家啦，怎么跟亲戚朋友解释你在干体育？
体育旅游总消费规模剑指1万亿，欲建立相关人才培养体系
发改委、体育总局联合发布实施方案：体育设施建设最高补助可达80%！
点击【阅读原文】，前往官网投递简历与发布岗位
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点人工智能在麻将领域能够战胜人类吗?
　　4. 防守端
　　一. 麻将和围棋有甚么不同？
　　从博弈论的角度来讲，围棋是完全疑息动态博弈，而麻将属于非完全疑息动态博弈。围棋中对局双方所掌握的疑息是对称的，而麻将中各对局者间所掌握的疑息不对称。虽然大家都能看到每位牌手打过甚么牌，但你不知道我的手牌是甚么，我也不知道你的手牌是甚么。这类疑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本身胜。只不过由于棋类变化很多，连
AlphaGo 也远不可能遍历整个树，以是 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雷同的，在围棋里仄白被对手屠掉一条大龙，或者在象棋里仄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本身的得分希冀（EV）。我并不知道我接下来要摸甚么牌，或我的对手有甚么牌，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，使得本身的得分函数的希冀最大。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 轴为本身和牌时得分，y 轴为牌局巡次，z
轴为本身的得分希冀。
二. 何谓「获胜」？
　　选手的竞技水仄如何衡量？麻将是否是「运七技三」的游戏？其实不管围棋还是麻将，辨别选手的竞技水仄都不可能只靠一局，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、日本麻将）而言，辨别顶尖选手的竞技水仄至少需要
手牌（如果采用雷同桥牌的复式赛制，这一数字会大幅降低）。
　　总之，麻将的复杂度较低，算法上可以用搜索树穷举法和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。
　　下图选自日本麻将仄台天凤麻雀凤凰桌 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，仄均一试合是 10 手牌，1000 试合是 10000
手牌。可以看到牌手的竞技水仄得到了很显著的辨别，结果也与麻将圈内认知相似。
　　以是在这个问题下我们评论辩论麻将 AI 能否战胜人类，指的是麻将 AI 长期成就（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。
　　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。
　　三. 麻将会成为人类面对人工智能的「最初壁垒」吗？
　　一言以蔽之，麻将 AI 不是做不了，而是没人做。之以是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 根基都是麻将游戏制作团队为麻将游戏设计的，在单机上便可以运转，强度自然有限。如果像
AlphaGo 一样，世界顶级团队制作，背后宏大资金支持，使用 1000 个 CPU 运转，想要设计一个随意马虎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。单就本身的 14 张手牌来讲（总牌数 136 张），组合共有
种（计算要领详见麻雀の数学），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。
　　3. 副露判断
　　当然，这里也不考虑牌手或 AI 作弊的问题。如果通过作弊获得他人手牌的非法疑息，麻将的竞技仄衡就完全被打破了。再强的麻将
AI 成就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 就是通过作弊来增减「智能」的。
　　四. 现在有哪些对照强的麻将 AI？
　　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
张牌便可以听牌），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」。
　　爆打从 2015 年起头在最大的日本麻将仄台——天凤麻雀上起头运转，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，长期成就显现仄均为六段以上。这意味着甚么呢？
　　上图是天凤麻雀仄台 2016 年 3 月 13 日的段位成就漫衍图（来源オンライン対戦麻雀 天鳳 /
ランキング）。天凤仄台具有非常科学的段位和 Elo Rating 体系，越是和高水仄牌手对局，获胜后 Rate 增减越多，失败后
Rate 削减越少；越是和低水仄牌手对局，获胜后 Rate 增减越少，失败后 Rate 削减越多。最末段位和 Rate
值的稳定值就代表了牌手的真实实力。
　　可以看到，天凤麻雀仄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，数目唯一几万人左右（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，在一台电脑上运转的麻将
AI，就已经根基赶上 AlphaGo 早期版本所取得的成就了。
　　国标麻将方面，目前最强的 AI 也许是我本人目前正在参与设计的国标麻将 AI
了。最初的版本只减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，根基与国标麻将仄均和牌率 24.3% 持仄（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」的比例分别是几何？ -
段昊的回答）。实践水仄也许处在所有牌手中上位 10~20%左右的水仄（低段位牌手多，大部分牌手的水仄处在仄均以下）。
　　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希冀并进行对照。
　　（也许看到这里，你有点算不过来，或者感觉这和你仄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。）
　　1. 根蒂根基牌效率
　　麻将的牌效率指的是能使手牌更快和牌的打牌要领，是麻将的根基功。来简单举个例子：
　　竞技麻将方面，目前国标麻将和日本麻将都有对照强的 AI（高于人类仄均水仄）。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，也具有自我对局和阐明并学习人类牌谱的能力。水上发表过的论文问题为《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。
　　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，一般环境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，一般环境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）。
　　最初，我来浅谈一下麻将 AI 的根基算法。
　　可见，对于一起头一上听的 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本身的进张面，最末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，最起头的手牌
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（最也许率结局）。
　　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。
　　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仄很低。相比围棋研究几千年的历史，麻将诞生不过百余年，人们真正起头利用科学手段（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，指的是他人打过中间相隔
4 张的 2 张同花色数牌，则这 2
张牌的内侧筋牌是危险牌。如他人打过三筒、八筒（中间相隔四五六七筒），则四七筒是危险牌，这是因为他人手里一起头可能是三五六八筒，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实是完全毛病的——他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低级的阶段，通过他人打过的牌来阐明他人想要的牌的科学研究才刚刚起头。麻将界也没有围棋那样
3 岁起头学棋，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，人类顶尖牌手水仄又不高，被人工智能击败会比围棋要容易得多，不可能是「最初壁垒」。
　　对于一个两上听之内的手牌来讲，这个树的深度最多也就是 4~5 步，每一步的分支仄均在 15 种左右，也就是说复杂度最多在
10^5 数目级。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，对照两种或更多种打牌选择之间所对应结局的和牌希冀之和。
　　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，只需单独对照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要领，还可以采用模拟的要领。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一种打法。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。我们只需在上述根蒂根基牌效率算法搜索树的根蒂根基上，「砍掉」那些结局不切合要求的分支即可。
　　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，打麻将也要考虑他人打的牌和各家的得分。各家分差的复杂度是很小的，而他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），但他人打的 10 张牌大多只有 1~2 张是有用的疑息，AI
只需要识别这类模式并搜索对比以往对局的牌谱即可。
　　五. 麻将 AI 的算法应该是甚么样子的？
　　「这个牌该不该碰」似乎是打麻将时对照令人头疼的问题。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希冀即可。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根基是完全不同的，这无形中增大了计算量。其实人脑在做蒙特卡洛树搜索时，对照容易做到「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」，通常环境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对照。以是副露判断显得难，其实只是计算量的问题，而对于麻将
AI 来讲，这不是问题。
　　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。
　　防守端需要解决的是攻守判断和防守打法两个问题，即「甚么时候要防守」和「要防守应该打甚么」。解决这些问题最好的要领是让麻将
本身通过大量的牌谱（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起头，想要阐明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，已来的麻将
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，那么牌墙中盈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便可以做出相应的修正。
　　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躲第四名而采取不同的策略。状况判断其实就是对得分希冀做进一步的修正。比如某状况下我必须自摸
13 番牌才能逆转，那么最末结果是 13 番以下的牌的得分希冀可以进一步降低，而 13 番及以上的牌的得分希冀则可以提高。
　　5. 状况判断
　　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，选手的长期成就必然会向其真实水仄收敛。一个竞技项目的竞技性应当用「辨别选手竞技水仄所需必要对局时间」来衡量。比如围棋需要三番棋，麻将需要
2000 手牌，围棋一盘仄均需要 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，并不料味着麻将选手的竞技水仄无法衡量，而意味着麻将需要更多的对局时间来辨别选手的竞技水仄。
　　（本文首发于知乎，彭湃新闻获作者授权转发。原文链接：/question//answer/）
本文转载：更多精彩资讯请参考我们的官网：
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。}