對于三上聽以外的手牌（由上文圖中可知三上聽以外的手牌約占手牌所有組合的80%），由于手牌中會存在大量的孤張或簡單搭子，只需單獨比較孤張或簡單搭子的效率即可，計算量更小。

　　除了上述窮舉手牌搜索樹的方法，還可以采用模擬的方法。比如讓麻將 AI 在短時間內(nèi)模擬兩種打法各1000手牌，哪個和牌率更高就選哪種打法。雖然這樣不太精確但已經(jīng)足夠保證比人要強了。

2. 和牌限制與番數(shù)價值

　　很多麻將規(guī)則對和牌有限制，比如國標麻將必須八番起和，四川麻將必須缺一門，太原麻將和牌必須包含指定牌張等等。我們只需在上述基礎(chǔ)牌效率算法搜索樹的基礎(chǔ)上，“砍掉”那些結(jié)局不符合要求的分支即可。

　　有些時候我們不僅關(guān)注和牌的概率，也關(guān)注和牌的大小，比如有些牌我們寧可損失一些進張也想去做清一色，追求更高的和牌得分。我們只需為樹的所有結(jié)果賦值（和牌得分），并用結(jié)局對應(yīng)的值與路徑對應(yīng)的概率求出不同打法的得分期望并進行比較。

3. 副露判斷

　　“這個牌該不該碰”似乎是打麻將時比較令人頭疼的問題。但其實副露判斷只是計算量大，并不需要特殊的算法，依然是對比碰與不碰兩種選擇所對應(yīng)的所有結(jié)局的得分期望即可。日本麻將中的立直（報聽）判斷也是同理。

　　只不過當我們在考慮“打哪張好”的時候，兩種打牌選擇之間所對應(yīng)的路徑和結(jié)局有大部分都是重合的；而我們在考慮“該不該碰”的時候，兩種選擇所對應(yīng)的路徑和結(jié)局基本是完全不同的，這無形中增大了計算量。

　　其實人腦在做蒙特卡洛樹搜索時，比較容易做到“想得很深”，比如職業(yè)棋手可以提前算到 20 甚至30步棋；但難以做到“想得很廣”，通常情況下大腦只能做到從兩種選擇中找?guī)讉€概率較大、有代表性的結(jié)局樣本做比較。

　　所以副露判斷顯得難，其實只是計算量的問題，而對于麻將AI來說，這不是問題。

4. 防守端

　　防守端需要解決的是攻守判斷和防守打法兩個問題，即“什么時候要防守”和”要防守應(yīng)該打什么”。

　　解決這些問題最好的方法是讓麻將AI自己通過大量的牌譜（千萬場量級）進行自我學(xué)習(xí)。正如前文我所提到的，其實人們對于麻將應(yīng)該如何科學(xué)防守的研究也才剛剛開始，想要分析一個打過三筒和八筒的人真正需要的是幾筒，需要大量的牌譜作為樣本進行研究。

　　這部分研究現(xiàn)在還要等待電腦去完成，未來的麻將AI在這方面要比人類做得更好可以說是必然的。

　　對大量牌譜所做的出牌模式研究還可反過來應(yīng)用于牌效率算法的改進中。比如早巡打過八萬的人手牌中有九萬的概率較小，那么牌墻中剩余九萬的概率就有所上升，牌效率中利用九萬的路徑的概率就可以做出相應(yīng)的修正。

5. 狀況判斷

　　狀況判斷指的是麻將的“大局觀”，如為了爭取第一名或者為了規(guī)避第四名而采取不同的策略。狀況判斷其實就是對得分期望做進一步的修正。

　　比如某狀況下我必須自摸13番牌才能逆轉(zhuǎn)，那么最終結(jié)果是13番以下的牌的得分期望可以進一步降低，而13番及以上的牌的得分期望則可以提高。

　　總之，麻將的復(fù)雜度較低，算法上可以用搜索樹窮舉法以及大量牌譜的自我學(xué)習(xí)來解決，只要有大量牌譜資料，有人肯花時間，有人愿意出資，開發(fā)一個能勝過人類的麻將AI，非常容易。