嗯...這個問題很有意思，我覺得這個問題沒得說，肯定是能夠秒殺麻友的！

在人工智慧在圍棋上贏了世界高手後，很多人都在思考同樣的問題，在自己所擅長的領域，人工智慧能有多大的作為。在麻將領域，感覺似乎根本不是對手（拋開老千什麼的）。下面說說我的理由。

1、人工智慧能關注到每一個細節的變化和痕跡。可以根據你出的牌桌面上的牌，別人的牌，靠演算法應該能基本算出別人的牌。越打到最後你的牌在人工智慧眼裡越明瞭。

2、人的體力腦力是有限的，沒辦法跟人工智慧比。任何人都要看狀態看發揮，但是人工智慧永遠都是穩定發揮。

3、人工智慧是靠機器記憶的，人暫時是比不過的。人工智慧多打幾把牌，基本就能像電視裡演的那樣佈局了，哪張牌在哪裡哪張牌在哪個手裡。這個技能靠人為是很難做到的，但是靠演算法是能實現的。

不知道多久以後會不會出現一個麻將機器人打遍天下無敵手……

AI已經輕鬆攻克雙陸棋、國際跳棋、國際象棋、圍棋等棋類遊戲了，但至今為止(2019/08/16)還未有戰勝職業麻將選手的AI釋出，那麼為什麼小小的麻將那麼難攻克呢？

因為遊戲複雜度與遊戲難度並不等價

遊戲難度除了與遊戲本身的複雜度有關以外，還與戰略等多種要素相關，也就是說，數學上更復雜的遊戲，玩起來不一定更難。

根據資訊的暴露程度將遊戲分為兩大類：完美資訊遊戲和不完美資訊遊戲。圍棋、象棋等棋類遊戲，對局雙方可以看到局面的所有資訊，屬於完美資訊遊戲；而撲克、橋牌、麻將等遊戲，雖然每個參與者都能看到對手打過的牌，但並不知道對手的手牌和遊戲的底牌，也就是說各個對局者所掌握的資訊是不對稱的，因此屬於不完美資訊遊戲。

完美資訊遊戲和不完美資訊遊戲難度的衡量指標通常是有區別的。對於完美資訊遊戲，通常遊戲的複雜度就決定了難度，可以用狀態空間複雜度和遊戲樹複雜度對其難度進行衡量；而對於不完美資訊遊戲，隱藏資訊對於遊戲的難度影響很大，可以用資訊集數目和資訊集平均大小對其難度進行衡量。

井字棋的遊戲樹複雜度為10^5 (即4^9≈10^5)，國際象棋是10^123 (即35^80≈10^123)，而圍棋是10^360 (即250^150≈10^360)。在傳統的完美資訊棋牌遊戲中，圍棋不管從狀態空間複雜度，還是遊戲樹複雜度上都遠遠領先其他棋牌類遊戲。2017年，AlphaZero 利用 MCTS 和深度強化學習，成功解決了包括圍棋在內的多個完美資訊遊戲。目前，學術界研究的熱點則轉向不完美資訊遊戲和即時策略遊戲等。

但在不完美資訊遊戲中，由於資訊是不完全（例如撲克和麻將中對手的手牌和遊戲剩餘的底牌都是未知的），因此對於參與者來說許多不同的遊戲狀態看起來是無法區分的。比如在撲克遊戲中，自己拿了兩張 A，對方拿了不同的牌對應不同的狀態；但是從自己的視角看，這些狀態其實是不可區分的。我們把每組這種無法區分的遊戲狀態稱為一個資訊集。對於不完美資訊遊戲而言，合理的遊戲策略應該建立在資訊集而不是遊戲狀態之上，因為我們依賴未知資訊來細粒度出招是沒有意義的。相應地，當我們衡量不完美資訊遊戲的難度的時候，也應該依據資訊集的數目，而不是遊戲狀態空間的大小。資訊集的數目通常小於狀態空間的數目。

除了資訊集的數目，還有一個重要的指標：資訊集的平均大小，即在資訊集中平均有多少不可區分的遊戲狀態。以兩人德州撲克為例，假定我們的手牌是 AA，考慮對手的手牌為 AK 或者 AQ 兩種不同情況。因為資訊不完全，我們無法區分當前局勢到底處在哪個狀態，因此會把兩種情況都歸到同一個資訊集。在兩人德州撲克中，資訊集的大小最多為1326（從52張牌中選擇2張：C_52^2），也就是約為10^3。容易看出，資訊集的數目反映了不完美資訊遊戲中所有可能的決策節點的數目，而資訊集的平均大小則反映了遊戲中每個局面背後隱藏資訊的數量。顯然，資訊集平均大小越大，其中包含的未知資訊就越多，因此決策的難度就越高。事實上，資訊集的平均大小直接影響採用搜尋演算法的可行性：當對手的隱藏狀態非常多時，傳統的搜尋演算法基本上是無從下手的。因此資訊集的平均大小也可以作為遊戲難度的衡量指標。

那麼根據上面兩個指標來看，麻將的難度到底有多大呢？

每一局麻將結束的時候，底下有14張牌不會被用到，所以不考慮吃碰槓的情況下，每一局至多會進行17.5輪（136減去13x4共52張手牌再減去14張底牌，總共剩70張牌，每一輪出4張）。與橋牌類似，依然按照遊戲輪次來計算。第一輪，每個玩家只能看到自己的13張牌，因此第一輪資訊集數目為C_136^13(為了計算方便，不考慮重複手牌)。第二輪，由於第一輪每個玩家各出一張牌，一副麻將總共有34種不同的牌，所以第一輪出的四張牌所有可能的情況至多為34^4，因此第二輪資訊集數目為C_136^13 ∙34^4。以此類推，第18輪資訊集數目為C_136^13 ∙34^68。總的資訊集數目為各輪資訊集的和，即C_136^13 (1+34^4+⋯+34^68)≈7×10^121。

第一輪，除去自己13張手牌，總共剩餘123張牌，每位對手13張牌，所以每個資訊集大小為C_123^13 C_110^13 C_97^13（為了計算方便，不考慮重複手牌）。第二輪，除去自己13張手牌，以及第一輪出的四張牌，總共剩餘119張牌，因此每個資訊集大小為C_119^13 C_106^13 C_93^13。以此類推，第18輪，每個資訊集大小為C_55^13 C_42^13 C_29^13。對每一輪的資訊集大小求平均，得到麻將的資訊集平均大小≈1.07×10^48。

所以相比其他棋牌，AI很難攻克麻將。