中国各地的麻将规则差异巨大，经常出现"回老家打麻将发现规则完全不同"的窘境。作为一个做了大半年牌类AI的开发者，我刚好把主流的8种规则都跑了一遍训练，这里从规则、策略、AI训练难度三个维度做一次全面对比。

一、8种规则速览

规则	地区	张数	能吃牌？	核心特色	人类入门难度	AI训练难度
四川麻将（血战到底）	四川/重庆	108张（无字牌）	不能吃	定缺+血战到底	中	高
广东麻将（推倒胡）	广东	136张	能吃	无番限制，胡了就行	低	低
长沙麻将	湖南	136张	能吃	将牌(2/5/8)+小胡自摸	中	中
红中麻将	全国	136张	能吃	红中为癞子万能牌	中	中
日本麻将（立直）	日本/国际	136张	能吃	复杂番种+立直+里宝牌	高	极高
国标麻将（MCR）	国际竞技	136张	能吃	81种番种+8番起胡	高	高
香港麻将	香港	136张	能吃	清一色/对对胡等经典番	中	中
台湾麻将	台湾	144张（含花牌）	能吃	16张手牌+台湾特色番	中高	中

二、逐一详解

2.1 四川麻将（血战到底）

核心规则：

• 去掉所有字牌（东南西北中发白），只用万、条、筒共108张
• 开局必须定缺：选一个花色，该花色的牌必须全部打出才能胡
• 不能吃牌，只能碰和杠
• 血战到底：一人胡了不结束，继续打直到只剩一人

AI视角： 定缺选择是胜负关键。我的实现是在开局时对三个花色分别计算"有效进张数"和"组合潜力分"，取最低的花色定缺。实测定缺准确率约92%。

2.2 广东麻将（推倒胡）

核心规则：

• 标准136张，含字牌
• 无番限制，凑齐胡牌牌型就可以胡
• 可以吃、碰、杠
• 自摸加倍

AI视角： 因为没有番数门槛，策略核心就是速度——最短路径胡牌。训练时只用win/loss二元reward就能收敛得很快，是所有规则里最容易训练的。

新手建议：如果你是麻将新手，从广东推倒胡开始学，规则最简单。

2.3 长沙麻将

核心规则：

• 标准136张
• 将牌概念：2、5、8为将牌，胡牌时将头是2/5/8可以加番
• 小胡自摸：平胡等小番型只能自摸
• 大胡可点炮：碰碰胡、清一色等大番可以点炮胡
• 独特番种：六六顺、碰碰胡、全求人等

AI视角： 难点在于小胡/大胡的路线判断。中盘时AI需要动态评估当前手牌走小胡自摸的期望值 vs 搏大胡的期望值。我的做法是用一个value network同时估计两条路线的EV，取高的走。

2.4 红中麻将

核心规则：

• 标准136张
• 红中是癞子（万能牌），可以替代任何一张牌
• 通常只能自摸胡
• 有红中的牌型比没有红中的番数低

AI视角： 红中的存在让状态空间膨胀了一个数量级——每张红中都要枚举它替代哪张牌最优。我的处理是把红中的替代计算单独抽成一个子模块，在出牌决策前先算好红中的最优分配。

2.5 日本麻将（立直/Riichi）

核心规则：

• 标准136张
• 立直：门清听牌时可宣告立直，增加番数但不能换牌
• 宝牌/里宝牌：翻开指示牌后对应的牌加番
• 振听规则：自己打出过的牌不能荣和（点炮胡）
• 番种体系极复杂，数十种役

AI视角： 日麻是8种规则里AI训练难度最高的。振听规则需要AI记住所有历史弃牌；立直决策是一个高风险高回报的博弈点（立直后手牌锁定）；宝牌的期望值计算需要精确的概率模型。微软Suphx在这个规则上做到了天凤十段，用的是GRP（全局奖励预测）方法。

2.6 国标麻将（MCR）

核心规则：

• 标准136张
• 81种番种，从1番到88番
• 8番起胡：手牌总番数达到8番才能胡
• 国际麻将竞技的标准规则

AI视角： 81种番种的组合优化是巨大的搜索空间。关键trick是不去枚举所有可能的番种组合，而是维护一个"距离向量"——当前手牌距离每种高价值番型还差几张牌——然后贪心地向最近的高番方向靠拢。

2.7 香港麻将

核心规则：

• 标准136张
• 经典番种：清一色、对对胡、混一色、大三元等
• 起胡一般要求3番
• 规则相对传统，保留最多古典番种

AI视角： 和广东麻将类似但多了番数门槛，AI需要在速度和番数之间权衡。训练时用实际得分（而非二元胜负）做reward效果更好。

2.8 台湾麻将

核心规则：

• 144张（含8张花牌）
• 16张手牌（比大陆的13张多3张）
• 花牌自动补牌，摸到花牌算运气加成
• 台湾特色番种

AI视角： 16张手牌意味着组合可能性指数级增长。状态编码需要扩展，网络容量也要相应增大。花牌引入的随机性使得策略评估的方差更大。

三、AI训练难度排行

从实际训练经验排序（收敛所需的自对弈局数）：

训练难度从低到高：
1. 广东推倒胡  ~500万局
2. 香港麻将    ~800万局
3. 长沙麻将    ~1200万局
4. 红中麻将    ~1500万局
5. 台湾麻将    ~2000万局
6. 四川血战    ~2500万局
7. 国标麻将    ~3000万局
8. 日本麻将    ~5000万局+

日麻的训练量是广东麻将的10倍——这就是信息复杂度的代价。

四、跨规则迁移实验

一个有意思的发现：在四川麻将上训练好的模型，直接放到广东麻将下对弈，胜率只有38%。

原因是策略取向完全不同：

• 四川：AI学会了极度追求速度（因为血战到底，越早胡越有利）
• 广东：虽然也追求速度，但吃碰的使用策略完全不同（四川不能吃）

不过底层的"牌面推断"能力（从弃牌推断对手手牌）是可以迁移的。用共享LSTM编码器+规则专属决策头的多任务架构，新规则的训练效率能提升约40%。

五、新手学习路线建议

广东推倒胡（入门，理解胡牌基本逻辑）
    ↓
长沙麻将（加入番种和将牌概念）
    ↓
四川血战（理解定缺和血战到底的策略深度）
    ↓
红中 / 香港（扩展变体理解）
    ↓
日麻 / 国标（进阶竞技水平）

六、总结

如果你想…	推荐规则
快速入门	广东推倒胡
回湖南老家打牌	长沙麻将
和四川朋友打	四川血战
玩点国际范	日本麻将
参加比赛	国标麻将
随便玩玩	红中麻将

做了这么多规则的AI之后，最大的感悟是：麻将不是一种游戏，而是一个游戏家族。每种规则背后都是一个独立的策略世界。如果你也在研究牌类AI或博弈算法，欢迎评论区交流。

参考文献：

• Li et al., “Suphx: Mastering Mahjong with Deep Reinforcement Learning”, 2020
• Zha et al., “DouZero: Mastering DouDiZhu with Self-Play Deep Reinforcement Learning”, ICML 2021
• 中国国家体育总局棋牌运动管理中心, “中国麻将竞赛规则”, 1998