リーチ麻雀は、多人数・不完全情報のゲームであり、確率性と高次元の状態空間を特徴とする。これらの特性は、強化学習における現実世界の複雑な意思決定問題と類似した課題を提供する。従来の研究は人間の対局ログからの教師あり学習による政策の事前訓練に大きく依存してきたが、AlphaZero系列の研究が示すように、タブラ・ラサ（ゼロから）学習可能なアルゴリズムは汎用性の観点からより大きな可能性を秘めている。
こうした研究を促進するため、Soichiro Nishimori氏ら6名の著者は、JAXで実装された完全ベクトル化済みのリーチ麻雀環境「Mahjax」をarXivに発表した（arXiv:2605.20577v1、2026年5月20日提出）。Mahjaxは、グラフィックス処理ユニット（GPU）上での大規模なロールアウト並列化を可能にし、従来の麻雀シミュレータでは達成困難であった高いスループットを実現する。これにより、ゼロからの大規模な強化学習訓練が現実的になる。
Mahjaxの設計上の特徴は、ゲーム状態とルールロジックを完全にベクトル化し、JAXのジャストインタイムコンパイルと自動ベクトル化機能を最大限に活用している点にある。また、研究チームはデバッグや訓練済みエージェントとの対話を容易にする高品質な可視化ツールも提供している。このツールは、エージェントの意思決定プロセスを理解し、訓練中の問題を診断する上で重要である。
実験では、8台のNVIDIA A100 GPUを使用した場合のスループットが報告されている。無赤牌ルールでは毎秒200万ステップ、赤牌ルールでは毎秒100万ステップを達成した。これらの数値は従来のCPUベースのシミュレータを大幅に上回り、大規模強化学習訓練の基盤を提供する。さらに、強化学習における環境の有用性を検証するため、訓練によってエージェントがベースライン政策に対する順位を効果的に改善できることを示した。これはMahjaxが高速シミュレータであるだけでなく、有効な訓練プラットフォームでもあることを示している。
本論文は人工知能（cs.AI）および機械学習（cs.LG）の分野に分類され、arXivからPDF、実験的HTML、TeXソースなど多种の形式で入手可能である。Mahjaxの登場により、リーチ麻雀の強化学習研究の敷居が下がり、不完全情報ゲームにおけるゼロからの学習アルゴリズムの更なる発展が期待される。将来的には、他の麻雀変種やより広範なカードゲームへの拡張も考えられる。