当AI连麻将中最基础的听牌场景都无法准确识别时，我们是否高估了其实际应用能力？本文通过实测豆包与Gemini在麻将决策中的表现，揭示当前AI在多模态识别、语音处理与场景理解上的局限性。从视觉误判到声纹混淆，这场娱乐场景的翻车实验，折射出AI落地真实业务的挑战与边界。

先说结论：

别说打麻将了，就连最后的临门一脚：听牌（再有一张牌就胡了），AI 目前都做不到。

01 使用场景

场景：四个人打麻将。

任务：我用豆包进行视频对话，看它能否帮我做出决策。为降低任务难度，我将明确告诉豆包，我已经听牌了。

测试内容：主要考验豆包的『推理』和『视觉识别』以及『语音分辨声纹能力』。

截图看下当时的听牌状态（听的牌是 ：9 条和 1 饼（1 筒））：

02 结果，都翻车了

当时我问豆包：听牌了，听哪张一牌？

最后豆包回复我说：单吊 7 饼。

我：。。。

分析下豆包存在的几个问题：

1. 文字识别

豆包把听到的内容转为文字后，识别成：停牌 而非 听牌，不过从最后的答案来看，转化为了 听牌，未受到 停牌 错别字的影响（也可能是后续识别出来麻将场景，但无法修改刚开始的 停牌 文字）。

2. 视觉识别

豆包的 视觉识别 就没那么精准，没有能有效识别到画面中我的具体的听牌张数和听哪张牌（可能受限于灯光？），甚至最后给的答案与面向自己的听牌毫不相干。（豆包，你就没发现你给我的答案和你所看到的没匹配上吗？）

3.语音声纹分辨

豆包在与我的对话当中，语音识别无法有效识别到是我的声纹（也可能是现在豆包不具备的能力），误将其它 3 个人的所有对话（如有人想要 7 饼、一万 等等），都一股脑作为 Prompt 进行处理。

这也是为什么最后回复我的答案是：单吊 7 饼。

/无语

如果说摄像头识别有问题，那我把截图发给豆包试试呢？

寄希望豆包可以对图片通过诸如高亮、裁剪、放大等操作，从这张低质量图片中提取到关键数据，并告诉我正确答案。

4. 图片识别

当我把照片发给豆包，它同样翻车了，回答我是：听五万和六筒两张牌。

我：。。。

本来还想让豆包代替我打麻将呢，结果连最简单的场景都翻车了。

可是，我还是不想放弃，那试试 Gemini 呢？

是否会比豆包更『聪明』呢？

03 Gemini，也翻车了

我把截图发给 Gemini：告诉我听牌，听哪几张牌？

Gemini 首先回答我，帮我开发了一个 ：麻将听牌助手。你可以通过拍照或上传手牌照片，利用 AI 自动识别牌面并计算你当前听哪几张牌。

最后，回复我本次识别的结果：处于『双碰听』状态，听 4 筒 和 6 筒。

额。。。

有点出人意料。

我心想，那就用 Gemini 开发的 麻将听牌助手 试一下子呢？

结果，您猜怎么着？

给出了 听 3 筒 、6 筒 的回答。

我只是不明白为什么给出了与 Gemini 截然不同的答案？

/黑人问号脸？

于是，我又试着重新上传一下图片，再试一次：

结果：

结果又给出了不同的答案： 听 3 筒 、5 万。

我滴马。

这 AI 属实是把『不确定性』玩明白了。

04 我还能说什么？

一直被媒体吹上天，要取代人类工作的 AI ，到用户的真实场景当中，竟然这般如此拉胯 ？？？

刚才还只是打麻将中最最最简单的一个听牌场景，更别提打麻将过程中更复杂的碰、吃、杠、胡了。

1. 用户在打麻将的过程当中，是一直在思考和推理接下来打哪张？还有哪张没出？有两对要拆一下，拆哪个？别给别人点炮了等等。

2. 用户会准确识打麻将的过程中，讲的笑话，和麻将的上下文没有任何关系，不需要作为 Prompt 输入。亦或者听到对方说：上一局我就听一万，结果一直没摸到 的时候，也知道和这局的上下文没关系。

3. 用户能够进行多模态处理，比如听到对方说：一万（即使不在视觉范围内），也能立即做出是否需要的决策。

4. 当自己的『上家』打完后，如果无人胡或碰的时候，马上就要接手，继续流程，AI 目前还不能准确识别到：It’s my turn/该我出手了。

5.还要能准确处理边界或异常 case：比如我刚揭一张牌，下家说：我碰了、碰了。这时我需要能够有效处理，把牌退回去。

等等，还更复杂的场景就不举例了。

05 你会让 AI 替你玩麻将吗？

如果会，那你玩麻将的乐趣在哪里？

让 AI 替你玩？ 你玩的意义在哪里？

还有更多娱乐场景：

让 AI 替你打游戏？

让 AI 替你刷短视频？

让 AI 替你看电影？

让 AI 替你逛淘宝？

个人觉得：娱乐场景下，AI 无法（无需）代替人类。

PS：Gemini 的回复除了文字，还会通过拓展网页或应用（如本文的麻将听牌助手）的形式帮助用户获得更进一步的信息增量。

PPS：感兴趣的同学可以测试下其它几个 AI 工具，看是否会打麻将？