日麻高手都在用的"危險牌雷達"：497萬手牌喂出來的AI

周三晚上八點，你坐在日麻桌前，手里捏著一張七萬。牌河里的信息像一團亂麻——早巡有人切過六萬，對家剛才碰了八萬，這張七萬到底安不安全？你盯著牌河發呆，時間在一秒一秒溜走。這種場景，每個日麻玩家都懂。

Niixo Labs做的OkkanaiPai就是來解決這個瞬間的。它不教牌效，不講理論，只干一件事：根據桌面上已經打出的牌，實時標出34種牌各自的危險等級。開發者從日本最大在線日麻平臺Tenhou的"鳳桌"——也就是最高段位房——扒了497萬手棄牌數據，用16天的對局日志校準模型，最終AUC做到0.83。這個數字不算神諭級別，但足夠給純靠直覺的棄牌決策墊個統計底。

交互設計完全圍繞"牌桌場景"來做。手指點選看到的棄牌，左右滑動切換四家視角，屏幕實時變色輸出。沒有賬號系統，不用聯網，iOS 17以上即裝即用。開發者刻意沒上在線ML模型，校準好的系數直接塞在本地JSON里，推理零延遲、純離線。代價也很直白：模型反映的是鳳桌玩家的整體行為模式，不是對面那個具體人的個人習慣。

功能邊界寫得清清楚楚。只支持四麻東場東家視角，副露效率沒建模，三麻（sanma）完全不支持。如果你打標準四麻立直麻將，需要棄牌安全檢查，它能用。想要全規則覆蓋或者三麻適配，目前還沒做。免費、無廣告、無內購、無網絡需求——這四個"無"列出來，幾乎是對當下App生態的一種反諷。

497萬手牌的數據量是什么概念？Tenhou鳳桌的入場門檻是四段以上，對局質量足夠高，行為模式相對穩定。開發者選這個數據源，本質上是把高段位玩家的集體直覺做成了可查詢的統計表。AUC 0.83意味著模型區分危險牌和安全牌的能力，比隨機猜高出不少，但離"讀穿牌山"還差得遠。它不會告訴你"這牌必點"，只會說"這牌在鳳桌數據里點炮概率偏高"。

這個產品的有趣之處在于定位精準。不做AI打牌助手，不做牌效教練，只切"棄牌安全檢查"這一個單點。日麻的復雜度足夠高，完整AI需要處理立直判斷、副露選擇、攻防轉換一大堆變量，但OkkanaiPai主動放棄這些，把交互壓到"輸入可見棄牌→輸出顏色編碼"的最簡閉環。這種克制在產品層面是聰明的：場景清晰，預期可控，用戶不會把它當萬能工具來罵。

本地JSON存系數、離線推理的設計，也透露出一種對"實時在線服務"的警惕。不需要服務器，就沒有宕機風險，沒有隱私數據上傳，也沒有訂閱制變現的壓力。四個"無"的承諾，反而成了差異化賣點。在日麻這個小眾但粘性極高的圈子里，口碑傳播的效率可能比App Store推薦位更高。

當然，限制條件也得老實交代。東場東家視角的硬編碼，意味著南場或者你坐在其他位置時，工具直接失效。副露效率沒建模，碰到瘋狂副露的對手，統計基線會偏移。三麻玩家直接被排除在用戶群之外。這些不是技術債務，是產品定義的一部分——開發者選擇先守住核心場景，而不是鋪開一張功能清單。

497萬手牌喂出來的這個數字，最終變成牌桌上一個顏色提示。它不會替你打牌，但或許能讓你在捏著那張七萬的時候，少猶豫兩秒鐘。