日麻AI"Akochan"和配套牌譜分析器Akochan-reviewer
時效性
目前該項目后續(xù)已經(jīng)發(fā)展成了各位耳熟能詳?shù)穆閷I工具Mortal：麻將 AI 工具 - 檢討牌譜，派遣個室 (ekyu.moe)。作為Akochan的后續(xù)，Mortal的實力、運行效率和使用便捷度都大幅提升。因此，我認為該文章已不具備實質(zhì)的作用，請對麻將AI有興趣的朋友轉(zhuǎn)而參與Mortal和mjai-reviewer的建設。
GitHub - Equim-chan/Mortal: ????? A fast and strong AI for riichi mahjong, powered by deep reinforcement learning.
GitHub - Equim-chan/mjai-reviewer: ????? Review mahjong game log with mjai-compatible mahjong AI.
簡介
起因是昨天在琴南的群里有轉(zhuǎn)這個AI的牌譜分析demo網(wǎng)站，于是稍微看了一下。
這個麻將AI發(fā)布于19年，作者是，其本人是天鳳雙九段（打雀和編程都這么猛嗎 某四段上級選手留下了羨慕嫉妒恨的淚水）。暫時來說我還沒看多少這個AI的內(nèi)容，沒法說太多關于AI水平的問題，只能拋下這個項目的GitHub地址：
https://github.com/critter-mj/akochan
基于Akochan的牌譜分析器的作者是。GitHub指路：https://github.com/Equim-chan/akochan-reviewer。
如何使用
在線Demo
這個項目有一個在線的demo：
如圖所示，復制粘貼天鳳牌譜的鏈接，然后可以選擇基于順位的分析（placement EV）或者基于pt的分析（pt EV）。大概需要等待10-30分鐘。根據(jù)筆者的測試，這個AI是吃cpu的（這個下面會提及），孱弱的服務器cpu性能可能是影響這個demo的原因所在。
Release版本本地運行
GitHub上有提供作者編譯后提供的release版本：
https://github.com/Equim-chan/akochan-reviewer/releases
暫時只提供了win10的發(fā)行版。注意，該Reviewer沒有提供GUI，因此如果您沒有接觸過命令行之類的東西，只是純粹想試著玩玩的話，我寫了一個小腳本，只需要復制粘貼牌譜鏈接就可以了。就像這樣：
只需要注意，復制到命令行中的鏈接有英文半角的雙引號包裹就可以了。請務必注意要用英文的雙引號（主要是我懶得寫校驗了 菜 我.jpg）
度盤：
鏈接：https://pan.baidu.com/s/1TTMzSyVmokr7eAqBk2Upwg
提取碼：okrh
之后牌譜的分析結果會在目錄下的html文件中。只需要雙擊它就可以在瀏覽器中打開查看結果：
在跑這個程序的過程中，筆者的2600X被吃了30-50%的占用率。這是一個吃CPU的AI。
而如果您想了解更多，我相信您應該有能力自己前往GitHub上查看相關的參數(shù)。不過在這里，我還是稍微提及一些。
下例中我要檢查的牌譜鏈接為https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2
我可以直接引入這個牌譜鏈接作為參數(shù)
akochan-reviewer "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"注意log后面的參數(shù)，我可以單獨提取出來，分別導入牌譜id和需要分析的主視角
akochan-reviewer -t 2019050417gm-0029-0000-4f2a8622 -a 2手動設置pt的分布
akochan-reviewer --pt 75,30,0,-165 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"設定95%的置信區(qū)間
akochan-reviewer --pt 75,30,0,-165 -n 0.05 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"使用基于位次的分析而非pt
akochan-reviewer --use-placement-ev "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"使用基于位次的分析并設定99.8%的置信區(qū)間
akochan-reviewer --use-placement-ev -n 0.002 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"只檢查東2局1本場合東三局
akochan-reviewer -k E2.1,E3 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"
需要注意的是，作者已經(jīng)發(fā)現(xiàn)了一個bug：在win10下運行的時候，導入牌譜會報Assertion failed的錯。作者給出的解決方案是將OMP_NUM_THREADS的環(huán)境變量設置為8。筆者個人不太確定在少于8線程的電腦上該命令是否會有問題，但在筆者所使用的電腦上，盡管可以正常運行，但無法利用2600x的全部12線程，速度上并沒有明顯的優(yōu)勢。
如果您使用的是cmd.exe，請鍵入：
set OMP_NUM_THREADS=8如果您使用的是Windows PowerShell，請鍵入：
$env:OMP_NUM_THREADS = 8如果您使用的是MSYS2 bash，請鍵入：
export OMP_NUM_THREADS=8
如果您需要更好的性能表現(xiàn)，并有至少與筆者一樣的復制粘貼工程師的能力，請接著往下看（不過如果可以的話您應該早就去GitHub看了吧（笑））
基于Docker
筆者基于WSL2進行了Docker的加載。由于Docker的運行環(huán)境并非Win10了，分析牌譜不會碰到上述的bug。對于筆者個人的一個完整半莊的牌譜的分析時長，從13分鐘降低到了5-7分鐘左右。但相應的，Docker的內(nèi)存消耗要遠高于上述的方案：
如果您打算使用Docker部署，筆者建議您至少要有16G的內(nèi)存。
如果您有使用Docker的經(jīng)驗，對您來說這應該不難。
# build
$ git clone https://github.com/Equim-chan/akochan-reviewer.git
$ cd akochan-reviewer
$ git clone https://github.com/critter-mj/akochan.git
$ docker build -t akochan-reviewer:latest .
# run
$ docker run --rm akochan-reviewer:latest -t 2019050417gm-0029-0000-4f2a8622 -a 3 -o - > report.html
如果您沒有相應的經(jīng)驗，我不建議您在Win10上做這樣的嘗試。原因是在Win10上使用Docker需要使用WSL或者WSL2，但這都需要開啟Win10的Hyper-V功能。開啟該功能會與市面上大部分的安卓模擬器沖突——除了BlueStack的測試版，以及非最新版本的VirtualBox和VMWare。因此，筆者成功地卸載了mumu（
總之，如果沒有相應的經(jīng)驗又想嘗鮮，請使用前兩種方案。
手動編譯
需要首先編譯Akochan本體，然后編譯Akochan-reviewer。本體是基于C++編寫，而reviewer則使用rust。由于筆者并不喜歡WSYS2，因此只在win10的WSL2上進行了一定的測試（并且成功地沒折騰出來）。此處不展示測試的數(shù)據(jù)了（我估摸著應該在Linux里跑著還可以）。具體的話，既然您都打算手動編譯了，應該不需要筆者在此處從GitHub上搬運更多的內(nèi)容了。
關于分析結果
分析結果來看的話……這是一個很科學麻將的AI。對筆者的牌譜來說，Akochan似乎更有進攻性一點，這可能是因為它的分析方式是基于pt的期待值。這和統(tǒng)計學麻將那本書里的思想比較相似吧。不過Akochan也有在兩個字牌之間很奇怪地糾結的判斷?？偟膩碚f，還是挺科學麻將的，可以作為一定的參考。
總結
可以一試。以及Reviewer和AI本體分離的好處就是，因為流程是相似的（解析牌譜——喂給AI判斷——展示結果），倘若未來像蘇菲這樣的AI能開放接口的話，只需要稍加改動就可以套用。
愿各位雀力日進。
電池 2020.12.16
