الداما الصينية JumpStar

JumpStar هو أقوى محرك ذكاء اصطناعي للداما الصينية في العالم

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.

لماذا يثير الذكاء الاصطناعي للداما الصينية الاهتمام

وراء الشطرنج والغو عقود من العمل العلني في الذكاء الاصطناعي: محركات، ومقاييس معيارية، وقوائم تصنيف، وسجلات مباريات مشتركة. أما الداما الصينية فلديها القليل جدًا من ذلك، رغم أنها من نوع الألعاب الذي يجيد الذكاء الاصطناعي دراسته. فلا معلومات مخفية، ولا حظ، وطريقة الفوز واضحة.

كما أنها تتعقد بسرعة. ففي قواعد JumpStar للاعبَين هناك 14 نقلة أولى مسموحة، و196 طريقة يمكن أن تسير بها النقلتان الأوليان، و4,760 بحلول النقلة الثالثة. ولاحقًا، تجعل القفزات المتتالية والممرات المزدحمة رؤية النقلات الجيدة أصعب 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. ودُرّبت كل نماذج JumpStar على جهاز MacBook M4، لا على مجموعات GPU الضخمة التي تقف وراء محركات الشطرنج والغو الشهيرة.

الهدف هو لعب يتفوق على البشر، والادعاء مطروح للاختبار: يبدو JumpStar متفوقًا على البشر أو قريبًا من ذلك وفق قواعد اللاعبَين، ويتيح CCERL لأي محرك مستقبلي أن يتحدى ذلك.

النظام

JumpStar محرك ومقياس معياري متكامل، وليس مجرد نموذج مدرَّب.

  • القواعد والبحث. نموذج مدمج للوحة ذات 121 خانة بقواعد صارمة للاعبَين، وتوليد سريع للنقلات يشمل الخطوات وسلاسل القفزات المتعددة، وأداة لتشغيل المباريات. والقواعد صريحة عن قصد، كي لا يفوز محرك بالتمركز في مثلث أو باستغلال ثغرة في الحَكَم.
  • التدريب باللعب الذاتي. يلعب JumpStar ضد نفسه، وتُدرِّب هذه المباريات نموذجًا للسياسة والقيمة يوجّه الجولة التالية من البحث. JumpStar_60 هي شبكة 512x4 تضم نحو 10.36M معامل، ودُرّبت على 1.8M وضع أُعيد تحليله.
  • القياس المعياري العلني. لم يكن للداما الصينية تصنيف عام للمحركات، لذلك بنيت CCERL-2P10-v2 إلى جانب JumpStar. وهو يحدد القواعد، وبروتوكول المحرك، ومجموعة ثابتة من أوضاع البداية، والمحركات المرجعية، وطريقة حساب التصنيفات، وينشر سجل كل مباراة حتى يمكن التحقق من النتائج.

كيف يلعب JumpStar الداما الصينية

كثيرًا ما لا يكتفي JumpStar بالسباق. فهو يبطئ الخصم، ويُبقي قطعًا سادّة مفيدة في أماكنها، ويبني أشكالًا مثلثة مدمجة تجعل القفز عبر وسط اللوحة صعبًا.

ولأن القطع لا تُؤسر أبدًا، قد يصمد شكل دفاعي لأدوار كثيرة. فقد يقطع طريق قفز، ويجبر الخصم على الالتفاف، ويكسب وقتًا لتصل قطع JumpStar نفسه إلى هدفها.

نمط افتتاحية رابحة

إعادة الافتتاحية الرابحة تسلسل افتتاحي من ثماني نقلات مع إبراز القفزة الأخيرة للاعب 2.
# اللاعب النوع
الشكل المثلثي الدفاعي لدى JumpStar وضع من مباراة فعلية يُظهر JumpStar وهو يشكّل بنية مركزية تعيق القفز عبر الوسط وتدفع قطع الخصم إلى الأطراف.
أغلق الوسط. كثيرًا ما يشكّل JumpStar جبهتين مدمجتين شبيهتين بالمثلثات تجعلان القفز عبر الممرات الوسطى صعبًا، فتدفعان قطع الخصم نحو الأطراف.
سلسلة JumpStar الطويلة في نهاية اللعبة وضع من مباراة فعلية يُظهر JumpStar وهو يوزّع القطع في سلسلة قفز طويلة نحو الهدف المقابل.
أنهِ بالسلاسل. لاحقًا، تصنع غريزة توزيع المسافات نفسها سلالم طويلة توصل القطع المتأخرة إلى الهدف بكفاءة.

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.