AI征服围棋却败给麻将：信息差异揭示智能边界

AI能打败围棋世界冠军，却在麻将桌上输给普通人

AlphaGo赢了柯洁之后，很多人以为AI已经无所不能。但有一件事很少被提起：同样的技术路线，放到麻将桌上，表现平平。这不是算力不够，而是两个游戏在本质上是两种完全不同的问题。搞清楚这个区别，你会对AI的能力边界有全新的理解。

2017年，AlphaGo以3:0横扫柯洁。赛后柯洁哭了，说感觉自己面对的不是人类。围棋界普遍认为，这项延续两千五百年的游戏，人类时代就此终结。

同年，有研究团队开始尝试用类似方法训练麻将AI。结果让人意外——在标准四人日麻规则下，AI的胜率长期徘徊在接近随机水平，远不如围棋那样碾压人类。这不是偶然，背后有一个非常清晰的逻辑。

围棋是一个「上帝视角」游戏

围棋的关键特征是：完全信息。棋盘上的每一颗棋子，双方都看得一清二楚。没有隐藏，没有遮挡，没有任何需要猜测的地方。你当前看到的，就是游戏的全部状态。

这对AI来说是天赐良机。AI最擅长的事情，就是在一个定义清晰的空间里穷举可能性，然后找出最优解。围棋的棋盘是19×19，理论上的局面数超过宇宙中原子的总数，但这不是问题——AI不需要穷举所有局面，只需要找到一个足够好的评估函数，再配合蒙特卡洛树搜索，就能在这个「上帝视角」下做出比人类更准确的判断。

●围棋的核心挑战是「搜索空间太大」，但信息是完整的。AI解决的，恰好是搜索空间问题。

麻将是一个「雾中作战」游戏

麻将的结构完全不同。你手里的牌只有你自己知道，其他三家的手牌对你是隐藏的。你能观察到的只有：牌墙剩余数量、已经打出去的牌、以及别人的摸牌行为。这在博弈论里有个专门术语——不完全信息博弈。

不完全信息不只是「信息少一点」，它从根本上改变了问题的性质。在围棋里，最优策略是存在的——理论上有一个「完美下法」，AI在逼近它。但在麻将里，因为你永远不知道别人手里有什么，所谓「最优策略」本身就是一个概率分布，而不是一个确定答案。

136

标准麻将的总牌数，你只能看到自己的13张，其余对你来说是黑箱

更复杂的是，麻将是四人博弈，不是两人对抗。围棋的对手只有一个，你优化的目标很明确：让自己赢，让对手输。麻将桌上，你可能需要故意放炮给某个人，阻止另一个人赢——这涉及到多方利益的动态平衡，策略空间的复杂度呈指数级上升。

不是算力的问题，是问题类型不同

「

AI在围棋上的成功，掩盖了一个事实：它解决的是一类特定问题，而不是所有问题。

」

很多人的直觉是：AI在麻将上表现差，是因为算力还不够，等算力上来了就能解决。这个判断大概率是错的。围棋和麻将的差距，不是量的差距，而是质的差距。

打个比方：你给一个人一张完整的地图，让他找从A到B的最短路径——这是围棋式的问题。你给另一个人一张有大片空白区域的地图，让他在不知道地形的情况下做决策——这是麻将式的问题。再强的计算能力，也无法凭空生成你没有的信息。

目前AI在麻将上取得的最好成绩，来自日本团队开发的「Suphx」。微软研究院2019年发布的这个系统，在天凤平台（顶级日麻对战平台）上达到了十段，超过了99.99%的人类玩家。听起来很厉害，但注意：这是在日麻规则下，通过大量对局数据学习人类的风格模仿，而不是像AlphaGo那样推导出「最优解」。本质上，它学会的是「像高手一样打牌」，而不是「找到最优打法」。这是两件完全不同的事。

这个区别，比你想象的更重要

理解「完全信息」和「不完全信息」的边界，其实是理解AI能力边界的钥匙。

1完全信息场景：围棋、象棋、扫雷（已知地图）——AI可以逼近甚至超越理论最优

2不完全信息场景：麻将、德州扑克、商业竞争——AI只能学习策略分布，无法找到唯一最优解

3现实世界几乎全是不完全信息场景

德州扑克是另一个典型案例。2017年，卡内基梅隆大学的Libratus击败了顶级扑克职业选手。但Libratus的方法论和AlphaGo完全不同——它用的是「纳什均衡」逼近，本质上是找到一个「对手无论怎么打，我都不会太亏」的策略，而不是「找到赢对手的最优解」。这是博弈论里的防御性思维，不是围棋式的进攻性最优。

回到麻将。麻将之所以经久不衰，恰恰是因为它保留了人类才能充分利用的那些能力：读人、欺骗、心理博弈、对局势的直觉判断。这些东西目前没有办法被形式化成一个清晰的优化目标，所以AI在这里只能跟着学，不能领着走。

✦ 小结

AI在围棋上的神级表现，是因为围棋是完全信息博弈，AI最擅长在信息完整的空间里做精确计算。麻将是不完全信息的四人博弈，最优策略本身不存在唯一解，AI只能学习风格，无法推导最优。这个区别告诉我们：AI的能力边界，不在于算力大小，而在于问题的信息结构。现实世界绝大多数重要问题，都更像麻将，而不像围棋。