الذكاء الاصطناعي للداما الصينية

JumpStar هو أقوى محرك ذكاء اصطناعي للداما الصينية في العالم

متوفر الآن على iPhone الداما الصينية: JumpStar العب أمام أقوى ذكاء اصطناعي دون اتصال بالإنترنت، وحل الألغاز اليومية، واحصل على تلميحات، واحفظ الإعادات. تنزيل

البداية

بنيت JumpStar من أجل أمي. بدأ المشروع في 15 مايو 2026 في ولاية إنديانا، حين كنت أساعد والديّ على الانتقال من بيت طفولتنا. وبينما كنا نحزم أغراضهما، وجدنا لوحة الداما الصينية القديمة، وبدأنا نستعيد ذكريات المتعة التي كنا نعيشها حين نلعبها معًا كعائلة.

بعد أن غادرنا أنا وأخي إلى الجامعة، حاولت أمي أن تجد تطبيقات للداما الصينية على iPhone لتواصل اللعب بمفردها، لكن أيًّا منها لم يكن جيدًا. ونظرًا لنجاحات AlphaGo وStockfish، ظننت أنه لا بد من وجود محركات ذكاء اصطناعي قوية ومفتوحة المصدر كثيرة للداما الصينية - لكنها غير موجودة. فرغم شعبية الداما الصينية وأناقتها، لم تحظَ إلا باهتمام قليل على نحو مفاجئ من مجتمع الذكاء الاصطناعي. وهذه الفجوة هي ما دفعني إلى بناء JumpStar.

كان هدفي بناء أول محرك ذكاء اصطناعي يتفوق على البشر في الداما الصينية. فوجود خصم حاسوبي قوي سيتيح لأمي مواصلة اللعب حتى حين لا نكون أنا وأخي بقربها. بل إن محركًا يتفوق على البشر قد يكشف أنماطًا واستراتيجيات جديدة وجميلة في اللعبة لم تكن معروفة على نطاق واسع.

ولهذا السبب أيضًا أصبح المشروع علنيًا. فالمحرك الخاص القوي مثير للاهتمام، لكن يصعب على أي شخص آخر تقييمه أو تحسينه. أما المقياس المعياري العام للذكاء الاصطناعي في الداما الصينية فيحوّل العمل إلى شيء يمكن فحصه: مجموعة قواعد، وبروتوكول، ومجموعة أوضاع، ومحركات مرجعية، وسجلات، ونموذج JumpStar مسمّى يمكن للأنظمة الأخرى تحديه.

جمال الداما الصينية

الداما الصينية سباق عبر لوحة على شكل نجمة سداسية الرؤوس. يبدأ كل لاعب بمجموعة من عشر قطع في مثلث واحد، ويحاول أن يكون أول من ينقل كل قطعه إلى المثلث المقابل. ويمكن أن يلعبها لاعبان أو ثلاثة أو أربعة أو ستة. لا توجد سوى حركتين، الخطوة والقفزة، ولا مجال لأسر القطع، وهذا أحد أسباب شعورك بأن اللوحة حية إلى هذا الحد: فقواعد الحركة البسيطة تولّد أنواعًا معقدة من الزحام بينما يحاول اللاعبون بناء سلاسل قفز ومنع خصومهم من فعل الشيء نفسه.

رغم الاسم، لم تنشأ الداما الصينية في الصين، وليست في الحقيقة نوعًا من الداما. تُنسب اللعبة عادةً إلى Stern-Halma، أو Star Halma، وهي نسخة ألمانية من لعبة Halma على لوحة نجمية نُشرت عام 1892. وجاء الاسم الإنجليزي المألوف لاحقًا عبر التسويق الأمريكي، ومنذ ذلك الحين أصبحت لعبة لوحية شائعة في العالم كله.

طريقة لعب الداما الصينية

في دورك، تحرّك قطعة واحدة من قطعك. يمكن للقطعة أن تخطو إلى خانة فارغة مجاورة، أو أن تقفز فوق خانة مشغولة مجاورة إلى الخانة الفارغة التي تليها. ويمكن أن تتوالى القفزات، فقد تعبر نقلة واحدة جزءًا كبيرًا من اللوحة إذا كانت المسافات مناسبة. وتبقى القطع التي يُقفز فوقها على اللوحة، فهي لا تُؤسر.

الهدف هو نقل كل قطعك إلى المثلث المقابل مباشرة لمثلث البداية. واللعب الجيد لا يقتصر على الاندفاع إلى الأمام، بل عليك أن تبني سلالم مفيدة، وتتجنب سد طريق قطعك، وتحسن استغلال الوسط المزدحم، وتقرر متى تصنع نقلة تبدو بطيئة الآن مسارًا أسرع لاحقًا.

للاطلاع على مرجع مركّز، اقرأ قواعد الداما الصينية الكاملة. وحين تكون مستعدًا لتحسين لعبك، تابع مع دليل JumpStar للاستراتيجية والتكتيكات.

لماذا يثير الذكاء الاصطناعي للداما الصينية الاهتمام

ظلت الألعاب اللوحية الكلاسيكية محورية في الذكاء الاصطناعي لعقود. فقد هزم Deep Blue من IBM بطل العالم في الشطرنج غاري كاسباروف عام 1997، وهزم AlphaGo لي سيدول عام 2016. وأصبحت تلك المباريات علامات فارقة لأن قوة اللعب الحاسوبي غيّرت طريقة فهم الناس لتلك الألعاب.

لم تحظَ الداما الصينية بالمنظومة العامة نفسها للذكاء الاصطناعي. فمقارنة بالشطرنج والغو، هناك عدد أقل بكثير من المحركات والمقاييس المعيارية وقوائم التصنيف وسجلات المباريات العامة وأدوات البحث المشتركة. وهذه الفجوة مفاجئة، لأن اللعبة تملك تمامًا نوع البنية التي تحب أنظمة الذكاء الاصطناعي دراستها: معلومات كاملة، ولا عشوائية، وشرط فوز واضح، وعدد هائل من المسارات المستقبلية الممكنة.

حتى وضع البداية الهادئ يتفرع بسرعة. ففي مجموعة قواعد اللاعبَين التي يعتمدها JumpStar، تتيح لوحة البداية 14 نقلة أولى مسموحة. وبعد أن يتحرك كل طرف مرة واحدة، هناك 196 تسلسلًا ممكنًا من نقلتين. وعند العمق الثالث، هناك 4,760 تسلسلًا ممكنًا من النقلات انطلاقًا من الوضع الأولي. ولاحقًا في المباراة، تجعل القفزات المتتالية والممرات المزدحمة الخيارات أقل وضوحًا بكثير مما توحي به القواعد.

ما هو JumpStar

JumpStar محرك للداما الصينية مدرَّب باللعب الذاتي، ومبني على نواة مدمجة للقواعد والبحث بلغة C++20، ونموذج عصبي للسياسة والقيمة، وبحث شجرة مونت كارلو. وأقوى نسخة عامة منه، JumpStar_60، هي البطلة الحالية في المقياس المعياري CCERL-2P10-v2. والنتيجة المفاجئة هي الكفاءة: فقد دُرّبت كل نماذج JumpStar على جهاز MacBook M4، لا على مجموعات TPU/GPU الضخمة المرتبطة بأنظمة الغو والشطرنج الشهيرة.

الطموح هو لعب يتفوق على البشر، لكن الادعاء العلني قابل للاختبار عن قصد: يبدو أن JumpStar يتفوق على البشر أو يقترب من ذلك وفق ملف قواعد اللاعبَين، ويوجد CCERL كي تتمكن المحركات المستقبلية من تحدي هذه النتيجة.

النظام

JumpStar ليس مجرد نسخة محفوظة من نموذج، بل منظومة كاملة من المحرك والمقياس المعياري: تمثيل اللوحة، والقواعد، والبحث، واللعب الذاتي، وسجلات التدريب، وأدوات التحكيم، والأدلة العلنية.

• القواعد والبحث. يستخدم JumpStar تمثيلًا مدمجًا على طريقة الخرائط النقطية للوحة النجمية ذات الـ121 خانة، وقواعد صارمة للاعبَين، وتوليدًا للخطوات المسموحة والنقلات متعددة القفزات، وقفل الهدف، وفحوص نهاية المباراة، وتجزئة حتمية، وبرامج مرجعية، ومشغّل مباريات أصلي. وتنفيذ القواعد صريح عن قصد، لأن محركات الداما الصينية قد تستغل الحالات الحدّية بخلاف ذلك: كالتمركز في مثلثات البداية أو الهدف، أو صنع حصارات مصطنعة، أو الفوز بفضل ثغرات في الحَكَم بدلًا من اللعب الأفضل. وملف قواعد JumpStar مصمم لمكافأة السباق النظيف والهندسة القوية والبحث القابل للتكرار، لا حيل الالتفاف على قاعدة منع السد.
• التدريب باللعب الذاتي. يولّد اللعب الذاتي وإعادة التحليل حالات اللوحة، والإجراءات المسموحة، وأعداد زيارات MCTS، ونتائج المباريات، وسمات التقدم. وتُدرِّب هذه السجلات نموذجًا للسياسة والقيمة يوجّه الجولة التالية من البحث. JumpStar_60 هو شبكة MLP من نوع geometry_v1 بحجم 512x4 وبنحو 10.36M معامل، دُرّبت على مجموعة بيانات معاد تحليلها تضم 1.8M مثال. وكان العمل العملي هو جعل هذه الحلقة صغيرة وسريعة بما يكفي لتشغيلها مرارًا على عتاد محلي.
• القياس المعياري العلني. لأن الداما الصينية لم تكن تملك بعد سلّم تصنيف علنيًا ناضجًا للمحركات، طوّرت CCERL-2P10-v2 إلى جانب JumpStar. يحدد CCERL مجموعة القواعد، وبروتوكول المحركات، ومجموعة أوضاع ثابتة، والمحركات المرجعية، وملفات الإصدار، ومنهجية التصنيف. ويستخدم المقياس أوضاعًا مزدوجة مع تبديل الجانبين، وينشر السجلات بحيث تكون النتائج قابلة للتكرار لا مجرد ادعاءات. وهذا يعني أن المحركات المستقبلية تستطيع تحدي JumpStar أمام الحَكَم نفسه بدلًا من مقارنة ادعاءات مبهمة عن القوة.

كيف يلعب JumpStar الداما الصينية

من أكثر الملاحظات النوعية إثارة للاهتمام أن JumpStar كثيرًا ما لا يلعب كخوارزمية سباق بسيطة، بل يطوّر استراتيجيات متقدمة مثل إبطاء الخصم، والإبقاء على قطع سادّة مفيدة، وبناء تشكيلات مدمجة شبيهة بالمثلثات تقيّد الحركة عبر الممرات المهمة.

من السهل أن يفوتك هذا الأسلوب إذا نظرت إلى الداما الصينية على أنها مجرد سباق للتقدم إلى الأمام. فلأن القطع لا تُؤسر أبدًا، قد يظل لشكل دفاعي أثر لأدوار كثيرة: فقد يحرم الخصم من سلّم قفز، أو يجبره على الالتفاف حول الزحام، أو يكسب وقتًا كافيًا لتصل قطع النموذج نفسه. لذا قد تدور بعض أقوى أفكار JumpStar حول التحكم في الهندسة، لا مجرد التقدم بسرعة أكبر.

حلقة البحث والتدريب

على مستوى عام، يتبع JumpStar نمط AlphaZero: ينتج اللعب الذاتي أهداف زيارات MCTS، وتُدرِّب هذه الأهداف نموذجًا للسياسة والقيمة، ثم يوجّه النموذج الأقوى الجولة التالية من البحث.

self-play -> MCTS visit targets -> policy/value training -> stronger search -> self-play

جاءت القوة العملية من جعل هذه الحلقة رخيصة بما يكفي لتشغيلها مرارًا: عمليات لعب ذاتي أصلية بلغة C++، وتوليد فعّال للنقلات، وتقييم مجمّع للأوراق، وجداول التبديل، وإعادة استخدام الأشجار الفرعية، وسجلات مدمجة، ونسخ إصدار مضبوطة لعتاد Apple المحلي.

وجاء جزء كبير من هذا الاختصار من استخدام Codex مع GPT-5.5 شريكًا في التنفيذ والبحث. فقد ساعد Codex في فحص الشيفرة، وتحليل مواطن الاختناق، وإعادة كتابة المسارات الحرجة، وتحليل سجلات التدريب، وتجهيز جولات القياس المعياري، والإبقاء على عدة مسارات تجريبية تتقدم في آن واحد. وكانت أهم المكاسب عملية: تسريع كبير في اللعب الذاتي والتقييم، وتقليل استهلاك الذاكرة بنحو 98% في مسار التدريب حتى يتسع العمل على جهازي المحلي، وأتمتة كافية لمواصلة تحسين المحرك بينما كنت أؤدي أيضًا عملي بدوام كامل في إدارة Edia بصفتي رئيسها التنفيذي.

تقدّم المشروع بسرعة غير معتادة لأن الحلقة لم تكن لعبًا ذاتيًا للنموذج فحسب، بل كانت أيضًا حلقة هندسية تكرارية للنظام المحيط به. فقد أتاح Codex تشغيل تجربة، وفحص نمط الإخفاق، وتحسين الشيفرة، وإعادة تشغيل القياس المعياري، وتلخيص النتيجة، وتحويل السؤال التالي إلى تعديل ملموس. واختصرت دورة التغذية الراجعة هذه عملًا كان يمكن أن يستغرق شهورًا من البنية التحتية والأدوات والواجهة الأمامية والقياس المعياري والكتابة، إلى نحو أسبوع واحد من العثور على اللوحة لأول مرة حتى الإطلاق العلني.

تعطي إحصاءات Codex المحلية فكرة تقريبية عن حجم هذا التعاون. فعبر مسارات المشروع الظاهرة في قاعدة بيانات حالة Codex المحلية، بلغ مجموع tokens_used المسجلة نحو 559.9M رمز. وتشمل هذه الأرقام السياق، ومخرجات الأدوات، وآثار السياق المخزن مؤقتًا، وحساب الاستدلال والمخرجات، ومسارات العمل المتداخلة، لذا ينبغي قراءتها مؤشرًا على العملية لا قياسًا علميًا للحوسبة.

CCERL والمقياس المعياري العلني

لا تملك الداما الصينية سلّم تصنيف علنيًا ناضجًا للمحركات كما في الشطرنج والغو، مما يصعّب تقييم قوة المحركات وتقدمها. ويسد CCERL هذا الفراغ. CCERL هو أول مقياس معياري علني لتقييم قوة محركات الذكاء الاصطناعي في الداما الصينية. واستنادًا إلى مفاهيم مماثلة في الشطرنج والغو، يوفر CCERL قواعد ثابتة، وأوضاع بداية مدققة، وتبديلًا مزدوجًا للجانبين، وسجلات مباريات قابلة للتنزيل، ومحركات مرجعية علنية.

استنادًا إلى مقاييس CCERL، يبدو أن JumpStar هو أقوى محرك ذكاء اصطناعي متاح للعموم في الداما الصينية في العالم، وبفارق كبير.

أعتقد أن JumpStar بلغ في الداما الصينية قوة تقترب من التفوق على البشر وفق ملف قواعد اللاعبَين، باستخدام قدرة حوسبة محلية بحجم جهاز MacBook. والأهم من ذلك أن CCERL يمنح كل المساهمين المستقبليين هدفًا: تعديل JumpStar، أو بناء نموذج جديد، أو نقل محرك موجود بأمانة أكبر، أو إضافة أوضاع أفضل، أو تقديم منافس أمام الحَكَم نفسه.

العمل المستقبلي

لم يُصمَّم JumpStar ليكون مجرد برنامج خاص. فالمشروع يسعى إلى أن يصبح أربعة أشياء:

• نموذج ذكاء اصطناعي علني قوي. JumpStar مفتوح الترخيص، وهذا الموقع مجاني. يمكن لأي شخص أن يلعب أمام JumpStar أو يحاول تحسينه بنفسه. دُرّب JumpStar بالكامل على جهاز MacBook M4، ومن المؤكد أن مزيدًا من قدرة الحوسبة سيحسّن أداءه.
• بنية تحتية علنية للقياس المعياري. للشطرنج والغو مجتمعات تُختبر فيها المحركات وتُقارن وتُحسَّن. ويجلب CCERL البنية التحتية نفسها إلى الداما الصينية: قواعد واضحة، ومباريات قابلة للتكرار، وسجلات علنية، وطريق يتيح للآخرين بناء نماذجهم الخاصة.
• البحث في اللعبة نفسها. الذكاء الاصطناعي القوي يغيّر ما نستطيع رؤيته. أريد أن أفهم كيف يبدو اللعب الجيد، وكيف تتطور الافتتاحيات، ولماذا تتصرف اللوحات المزدحمة على هذا النحو، وما الذي يحدث في مباريات الثلاثة والأربعة والستة لاعبين حين يصبح وسط اللوحة زحامًا من الاحتمالات.
• أنماط اللعب الجماعي. نموذج اللاعبَين ليس سوى البداية. فالأسئلة الأكثر جموحًا تبدأ حين تزداد اللوحة ازدحامًا: ثلاثة لاعبين، وأربعة، وستة، وتحالفات متغيرة، ومسارات مسدودة، وافتتاحيات غريبة تنشأ تلقائيًا. أريد أن أكتشف كيف يبدو اللعب القوي هناك أيضًا، وعلى لوحات أكبر بكثير من اللوحة القياسية. وستكون التعقيدات والأنماط التي تظهر مذهلة.

آمل أن يشجع JumpStar مزيدًا من الناس على التفكير في الداما الصينية، ولعبها، ودراستها، والبناء حولها.