1. 結論：麻將 AI 不是讓勝率暴漲的魔法，而是累積幾個百分點的機器
如果只看「四人麻將的一位率」，均等基準是 25%。
每個人都一樣強、一樣倒楣、一樣容易被跳滿時，理論上就是四等分。
但麻將 AI 有趣的地方，不是把這個 25% 變成 70%。
而是把很多微小判斷——
- 要不要拆這組牌
- 這巡要不要立直
- 莊家立直時這張牌能不能推
- 南三局二位時要打點還是速度
- 要不要放棄和牌改走守備
- 終盤是保二還是硬追一
——一個一個修正。
每一項可能只差 0.2%、0.5%、1%。
單看很不起眼。
但這些微差疊起來，就會變成：
- 和牌率高一點
- 放銃率低一點
- 四位率明顯低
- 一位率也慢慢拉高
這不是開外掛。這是骨牌工廠。
嘲笑 0.5% 的人，最後會被期望值一點一點埋掉。
2. 先把「25%」這個基準釘牢
四人麻將如果完全均等：
[ 1P=25%,\quad 2P=25%,\quad 3P=25%,\quad 4P=25% ]
所以你看到某個玩家長期：
- 一位率 28%
- 四位率 20%
這已經不是「運氣有點好」就能輕易解釋。
因為順位分布本身就是實力訊號。
但麻將的麻煩是：
一位率上升，不一定只是進攻變強。
四位率下降，也不一定只是守備變強。
順位是所有選擇疊加後的結果。
3. Suphx 已經證明：AI 的百分比差可以很實在
微軟研究團隊的 Suphx，是經典案例。
論文中，Suphx 進行了 5,760 個半莊。
穩定段位約為 8.74，高於資料集中頂尖人類玩家的 7.46。
其中一組對比數字：
| 指標 | Suphx | 人類頂尖組1 | 人類頂尖組2 | 人類頂尖組3 |
|---|---|---|---|---|
| 1位率 | 29.3% | 28.0% | 28.0% | 25.6% |
| 4位率 | 18.7% | 20.5% | 22.4% | 21.1% |
| 和牌率 | 22.83% | 23.07% | 22.69% | - |
| 放銃率 | 10.06% | 12.16% | 11.42% | - |
這組數字非常有意思。
Suphx 並不是靠「超級高和牌率」暴打人類。
它真正可怕的是：
一位率更高，四位率更低，而且放銃率很低。
這種風格就像：
我不一定把把爆殺你。
但我非常少自己炸掉。
4. 高段位 AI 真正恐怖的是「骨牌效應」
假設 AI 在這些地方各改善一點：
- 配牌估值更準
- 牌效率切牌更合理
- 副露判斷更精細
- 立直判斷減少低價超冒險
- 防守時危險度估計更準
- 點數狀況下的進退更合理
- 終盤順位策略更冷靜
每一項可能只提升一點點。
可是麻將不是一道題。
麻將是幾十巡、幾百個分支。
一個 0.5% 放在一百次判斷裡，效果就不是 0.5%。
這像把骨牌排成一整座城市。
第一張只是：
「切 5m 比切 8p 稍微好一點。」
排到最後：
「為什麼這傢伙 500 個半莊都不怎麼墊底？」
5. 最搞笑的副作用：你可能不會麻將，但你會操作 AI
這是最有現代感的一幕。
假設你長期照 AI 建議：
- 它叫你切什麼你就切什麼
- 它叫你押就押
- 它叫你守就守
- 它說和牌可接受就立直
結果 1000 個半莊後：
- 一位率提高
- 四位率下降
- 平均順位改善
你很開心。
朋友問：
「為什麼這巡拆搭子？」
你答：
「AI 說的。」
朋友：
「為什麼這張很危險？」
你：
「紅色很深。」
朋友：
「這個巡目押切的根據？」
你：
「不知道，按鈕是綠的。」
你變成了什麼？
麻將 AI 操作員。
會操作，不一定會理解。
這就像把攻略網站整本抄進最終 Boss，
結果期末考考的是教學關卡。
6. 「一位率變低、四位率也變低」完全可能同時發生
乍看很矛盾。
但其實可能是風格改變。
例如你原本：
- 極端進攻
- 一位多
- 四位也多
AI 介入後：
- 少打一點高風險牌
- 二位三位維持率上升
- 一位稍微減少
- 四位明顯減少
這就是典型風險曲線改變。
所以：
如果一位率和四位率同時下降，不一定代表變弱。
可能代表：
- 波動變小
- 排名更穩
- 平均順位變好
- 但上限感覺變低
真的很像投資。
以前是高槓桿迷因股。
後來 AI 把你改造成全球 ETF。
不刺激。
但比較不容易破產。
7. 但你不能只看結果，就說是哪個機制生效
這裡需要一個很重要的警告。
假設你觀察到：
- 放銃率下降
- 一位率微升
- 四位率下降
你不能立刻說：
「一定是防守提示有效。」
因為可能還有：
- 手牌選擇變了
- 立直率變了
- 副露率變了
- 場風和對手強度變了
- 樣本數不足
- 赤牌規則不同
- 房間等級不同
也就是：
同一個輸出變化，可能由很多不同原因造成。
這種「只看結果，無法分清到底是哪個原因造成變化」的情況，在研究上可稱為 識別問題。
所以要判斷 AI 到底幫了哪裡，最好做分段測試。
例如：
- 只開牌效率提示
- 只開危險度
- 只開押引判斷
- 全部關掉做對照
不然你只知道：
「有什麼東西讓你變強了。」
但不知道是哪一張骨牌。
8. 100 個半莊的低迷完全可能只是雜訊
這裡很多人會誤判。
假設真實一位率是 25%。
100 個半莊裡，單純因為配牌、裏ドラ、莊家連莊、對手放銃、終盤自摸之類的波動，實際一位率很容易跑到：
- 20%
- 22%
- 28%
- 30%
這完全不奇怪。
因為麻將結果的方差很大。
粗略來說，若把一位視為獨立伯努利試驗：
- 100 場時誤差很大
- 500 場才開始比較有感
- 1000 場以上才比較適合看長期趨勢
95% 近似區間，若真實值接近 25%：
| 場數 | 一位率估計的粗略誤差 |
|---|---|
| 100 | 約 ±8.5 個百分點 |
| 500 | 約 ±3.8 個百分點 |
| 1000 | 約 ±2.7 個百分點 |
所以有人說：
「我用了 100 個半莊 AI，一位率反而下降 4%，AI 沒用！」
可能只是：
方差剛好走過來拍你肩膀。
9. AI 最恐怖的地方可能不是「幫你打」，而是「教你打」
真正值得長期關注的是這個。
Suphx 還有一種設計：它不只看眼前這一步，而是試著估計整場牌局最後能拿到多少回報。論文把這種方法稱為 Global Reward Prediction（全局回報預測）。
人類也可以用類似方式學習：
- 為什麼這個巡目不該追？
- 為什麼這副牌值不值得押？
- 為什麼二位時不需要硬拼一位？
- 為什麼這張看起來安全其實危險？
如果 AI 每次都只是給答案：
「切 7s。」
你學不到太多。
但如果它說：
「切 7s。原因：放銃風險升高 3.1%，打點收益不足抵消風險。」
那你會慢慢把 AI 的評估邏輯內化。
這時候 AI 不再是外掛。
它變成：
極度冷血的私人教練。
10. 但也要小心：AI 可能讓你變成「只會按提示的人」
心理學把利用外部工具降低內部思考負擔稱為 cognitive offloading（認知外包）。
例如：
- 用 GPS 後記路能力下降
- 用搜尋引擎後記憶策略改變
- 用計算機後心算減少
- 用生成 AI 後少做原始推理
2025 年一項以 120 名大學生、45 天為期的隨機對照試驗指出，過度依賴 ChatGPT 與較弱的批判性思考表現相關。
這不是麻將研究。
不能直接推論「麻將 AI 會讓你變笨」。
但警告很合理：
如果你只接受答案，不理解理由，你會提高操作能力，卻降低自主判斷。
最後就會變成：
- 平台上升
- 段位上升
- AI 關掉
- 立刻裸泳
這就是最漂亮的黑色幽默。
11. 如果你真的要測，最該記錄的不是「今天贏了幾場」
建議至少存：
- 一位率
- 四位率
- 平均順位
- 和牌率
- 放銃率
- 立直率
- 副露率
- 平均和牌點
- 平均放銃點
- 每 100 半莊的收益
然後按區間分：
- AI 前 500
- AI 後 500
- AI 後 1000
- 新房間
- 舊房間
- 強桌
- 普通桌
如果可以，再記：
- AI 建議接受率
- 拒絕率
- 最常拒絕的判斷類型
這樣才知道：
是 AI 在變強，還是你在慢慢變成 AI。
12. 實戰最穩的方法：打牌中不要讓外部工具代打，牌局後再檢討
如果平台規則限制即時外部輔助，就不要在實戰中讓 AI 幫你即時決策。
更穩的做法是：
- 自己打
- 保存牌譜
- 對局結束後交給 AI / 分析器
- 找出期望值差最大的幾手
- 寫下理由
- 下次自己判斷
Mahjong Soul 目前提供 MAKA 牌譜分析功能，可以用 AI 評估牌局決策。
這才比較像學習。
而不是：
AI：切 3m
你：好的主人
13. 最後的真正結論
麻將是一個很適合 AI 的遊戲。
因為：
- 資訊不完全
- 風險很多
- 每一手差距很小
- 小差距長期累積
- 結果波動很大
- 人類很難從短期成績判斷自己到底有沒有變強
所以 AI 的幫助，常常不是：
從 25% 一位率變 50%。
而是：
- 一位率 +1%
- 四位率 -2%
- 放銃率 -1.5%
- 平均順位微幅改善
- 重大錯誤少一點
每個都很小。
小到沒有爽感。
小到你甚至懷疑：
「這真的有效嗎？」
但 1000 個半莊後，排行榜會回答你。
骨牌很無聊。
但順位表會記住每一張。
參考
Li, J. et al. Suphx: Mastering Mahjong with Deep Reinforcement Learning. arXiv:2003.13590.
https://arxiv.org/abs/2003.13590Microsoft Research. Reinforcement Learning AI Suphx Masters Mahjong.
https://www.microsoft.com/en-us/research/blog/suphx-mastering-mahjong-with-deep-reinforcement-learning/Mahjong Soul. 全新功能「MAKA牌譜分析」限時測試！
https://mahjongsoul.com/news/254Mahjong Soul. 關於違規行為之處理告知
https://mahjongsoul.com/news/24Risko, E. F. & Gilbert, S. J. Cognitive Offloading. Trends in Cognitive Sciences, 2016.
https://doi.org/10.1016/j.tics.2016.07.002AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. 2025.
https://doi.org/10.1016/j.ssaho.2025.102287
