日麻AI"Akochan"和配套牌谱分析器Akochan-reviewer
时效性
目前该项目后续已经发展成了各位耳熟能详的麻将AI工具Mortal：麻将 AI 工具 - 检讨牌谱，派遣个室 (ekyu.moe)。作为Akochan的后续，Mortal的实力、运行效率和使用便捷度都大幅提升。因此，我认为该文章已不具备实质的作用，请对麻将AI有兴趣的朋友转而参与Mortal和mjai-reviewer的建设。
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.
简介
起因是昨天在琴南的群里有转这个AI的牌谱分析demo网站，于是稍微看了一下。
这个麻将AI发布于19年，作者是，其本人是天凤双九段（打雀和编程都这么猛吗 某四段上级选手留下了羡慕嫉妒恨的泪水）。暂时来说我还没看多少这个AI的内容，没法说太多关于AI水平的问题，只能抛下这个项目的GitHub地址：
https://github.com/critter-mj/akochan
基于Akochan的牌谱分析器的作者是。GitHub指路：https://github.com/Equim-chan/akochan-reviewer。
如何使用
在线Demo
这个项目有一个在线的demo：
如图所示，复制粘贴天凤牌谱的链接，然后可以选择基于顺位的分析（placement EV）或者基于pt的分析（pt EV）。大概需要等待10-30分钟。根据笔者的测试，这个AI是吃cpu的（这个下面会提及），孱弱的服务器cpu性能可能是影响这个demo的原因所在。
Release版本本地运行
GitHub上有提供作者编译后提供的release版本：
https://github.com/Equim-chan/akochan-reviewer/releases
暂时只提供了win10的发行版。注意，该Reviewer没有提供GUI，因此如果您没有接触过命令行之类的东西，只是纯粹想试着玩玩的话，我写了一个小脚本，只需要复制粘贴牌谱链接就可以了。就像这样：
只需要注意，复制到命令行中的链接有英文半角的双引号包裹就可以了。请务必注意要用英文的双引号（主要是我懒得写校验了 菜 我.jpg）
度盘：
链接：https://pan.baidu.com/s/1TTMzSyVmokr7eAqBk2Upwg
提取码：okrh
之后牌谱的分析结果会在目录下的html文件中。只需要双击它就可以在浏览器中打开查看结果：
在跑这个程序的过程中，笔者的2600X被吃了30-50%的占用率。这是一个吃CPU的AI。
而如果您想了解更多，我相信您应该有能力自己前往GitHub上查看相关的参数。不过在这里，我还是稍微提及一些。
下例中我要检查的牌谱链接为https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2
我可以直接引入这个牌谱链接作为参数
akochan-reviewer "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"注意log后面的参数，我可以单独提取出来，分别导入牌谱id和需要分析的主视角
akochan-reviewer -t 2019050417gm-0029-0000-4f2a8622 -a 2手动设置pt的分布
akochan-reviewer --pt 75,30,0,-165 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"设定95%的置信区间
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设定99.8%的置信区间
akochan-reviewer --use-placement-ev -n 0.002 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"只检查东2局1本场合东三局
akochan-reviewer -k E2.1,E3 "https://tenhou.net/0/?log=2019050417gm-0029-0000-4f2a8622&tw=2"
需要注意的是，作者已经发现了一个bug：在win10下运行的时候，导入牌谱会报Assertion failed的错。作者给出的解决方案是将OMP_NUM_THREADS的环境变量设置为8。笔者个人不太确定在少于8线程的电脑上该命令是否会有问题，但在笔者所使用的电脑上，尽管可以正常运行，但无法利用2600x的全部12线程，速度上并没有明显的优势。
如果您使用的是cmd.exe，请键入：
set OMP_NUM_THREADS=8如果您使用的是Windows PowerShell，请键入：
$env:OMP_NUM_THREADS = 8如果您使用的是MSYS2 bash，请键入：
export OMP_NUM_THREADS=8
如果您需要更好的性能表现，并有至少与笔者一样的复制粘贴工程师的能力，请接着往下看（不过如果可以的话您应该早就去GitHub看了吧（笑））
基于Docker
笔者基于WSL2进行了Docker的加载。由于Docker的运行环境并非Win10了，分析牌谱不会碰到上述的bug。对于笔者个人的一个完整半庄的牌谱的分析时长，从13分钟降低到了5-7分钟左右。但相应的，Docker的内存消耗要远高于上述的方案：
如果您打算使用Docker部署，笔者建议您至少要有16G的内存。
如果您有使用Docker的经验，对您来说这应该不难。
# 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
如果您没有相应的经验，我不建议您在Win10上做这样的尝试。原因是在Win10上使用Docker需要使用WSL或者WSL2，但这都需要开启Win10的Hyper-V功能。开启该功能会与市面上大部分的安卓模拟器冲突——除了BlueStack的测试版，以及非最新版本的VirtualBox和VMWare。因此，笔者成功地卸载了mumu（
总之，如果没有相应的经验又想尝鲜，请使用前两种方案。
手动编译
需要首先编译Akochan本体，然后编译Akochan-reviewer。本体是基于C++编写，而reviewer则使用rust。由于笔者并不喜欢WSYS2，因此只在win10的WSL2上进行了一定的测试（并且成功地没折腾出来）。此处不展示测试的数据了（我估摸着应该在Linux里跑着还可以）。具体的话，既然您都打算手动编译了，应该不需要笔者在此处从GitHub上搬运更多的内容了。
关于分析结果
分析结果来看的话……这是一个很科学麻将的AI。对笔者的牌谱来说，Akochan似乎更有进攻性一点，这可能是因为它的分析方式是基于pt的期待值。这和统计学麻将那本书里的思想比较相似吧。不过Akochan也有在两个字牌之间很奇怪地纠结的判断。总的来说，还是挺科学麻将的，可以作为一定的参考。
总结
可以一试。以及Reviewer和AI本体分离的好处就是，因为流程是相似的（解析牌谱——喂给AI判断——展示结果），倘若未来像苏菲这样的AI能开放接口的话，只需要稍加改动就可以套用。
愿各位雀力日进。
电池 2020.12.16
