Čínská dáma JumpStar

JumpStar je nejsilnější AI engine pro čínskou dámu na světě

Jak to začalo

JumpStar jsem postavil pro svou mámu. Projekt začal 15. května 2026 v Indianě, když jsem rodičům pomáhal se stěhováním z domu, kde jsme vyrůstali. Při balení jejich věcí jsme našli naši starou desku na čínskou dámu a začali vzpomínat, jaká to byla zábava hrát ji celá rodina spolu.

Když jsme s bratrem odešli na vysokou školu, máma zkoušela najít aplikace s čínskou dámou pro iPhone, aby mohla dál hrát sama, ale žádná nebyla dobrá. Vzhledem k úspěchům AlphaGo a Stockfish jsem si myslel, že pro čínskou dámu určitě existuje spousta silných open source AI enginů – jenže neexistuje. Navzdory své oblibě a eleganci se čínské dámě dostalo od komunity AI překvapivě málo pozornosti. Právě tato mezera mě přivedla k tomu, abych postavil JumpStar.

Mým cílem bylo postavit první nadlidský AI engine pro čínskou dámu. Silný počítačový hráč by mámě umožnil hrát dál, i když jsme s bratrem nebyli nablízku. Nadlidský AI engine by mohl dokonce odhalit krásné nové vzorce a strategie hry, které dosud nebyly všeobecně známé.

Proto se projekt stal také veřejným. Silný soukromý engine je zajímavý, ale pro kohokoli jiného je obtížné ho hodnotit nebo vylepšovat. Veřejný benchmark AI pro čínskou dámu z této práce dělá něco, co lze prověřit: sadu pravidel, protokol, sadu pozic, referenční enginy, záznamy a pojmenovaný model JumpStar, který mohou ostatní systémy vyzvat.

Proč je AI pro čínskou dámu zajímavá

Šachy a go mají za sebou desítky let veřejné práce na AI: enginy, benchmarky, ratingové žebříčky a sdílené záznamy her. Čínská dáma z toho nemá skoro nic, přestože je to přesně ten typ hry, který AI umí dobře zkoumat. Nejsou v ní skryté informace ani náhoda a je jasné, jak vyhrát.

Navíc se rychle komplikuje. V pravidlech JumpStar pro dva hráče existuje 14 povolených prvních tahů, 196 způsobů, jak mohou proběhnout první dva tahy, a po třetím už 4 760. Později ve hře kvůli řetězovým skokům a přeplněným koridorům není dobré tahy zdaleka tak snadné najít, jak by pravidla napovídala.

Co je JumpStar

JumpStar je engine pro čínskou dámu trénovaný hrou sám se sebou, postavený na kompaktním jádru pravidel a prohledávání v C++20, neuronovém modelu policy/value a prohledávání stromu Monte Carlo. Jeho nejsilnější veřejný checkpoint, JumpStar_60, je současným šampionem benchmarku CCERL-2P10-v2. Všechny modely JumpStar byly natrénovány na MacBooku M4, ne na velkých GPU clusterech, na kterých vznikly slavné šachové a go enginy.

Cílem je nadlidská hra a toto tvrzení má být možné ověřit: JumpStar podle pravidel pro dva hráče působí jako nadlidský nebo se tomu blíží a CCERL umožňuje kterémukoli budoucímu enginu to zpochybnit.

Systém

JumpStar je kompletní engine a benchmark, ne jen natrénovaný model.

  • Pravidla a prohledávání. Kompaktní model desky se 121 jamkami se striktními pravidly pro dva hráče, rychlým generováním kroků i řetězců skoků a spouštěčem zápasů. Pravidla jsou záměrně explicitní, aby engine nemohl vyhrát kempováním v trojúhelníku nebo zneužitím nějaké zvláštnosti rozhodčího.
  • Trénink hrou sám se sebou. JumpStar hraje sám se sebou a na těchto hrách se trénuje model policy/value, který vede další kolo prohledávání. JumpStar_60 je síť 512x4 se zhruba 10.36M parametry, natrénovaná na 1.8M reanalyzovaných pozicích.
  • Veřejný benchmarking. Pro čínskou dámu neexistoval žádný veřejný žebříček enginů, a tak jsem vytvořil CCERL-2P10-v2 souběžně s JumpStar. Benchmark definuje pravidla, protokol enginů, pevnou sadu výchozích pozic, referenční enginy a způsob výpočtu ratingu a zveřejňuje záznam každé hry, aby se výsledky daly ověřit.

Jak JumpStar hraje čínskou dámu

JumpStar se často nesoustředí jen na závod. Zpomaluje soupeře, nechává na místě užitečné blokující kameny a staví kompaktní trojúhelníkové útvary, přes které se středem desky špatně proskakuje.

Protože se kameny nikdy neberou, obranný útvar může vydržet mnoho tahů. Může soupeři vzít cestu pro skoky, donutit ho jít oklikou a získat čas, aby se vlastní kameny JumpStar dostaly domů.

Vítězný vzorec zahájení

Záznam vítězného zahájení Zahajovací sekvence osmi tahů se zvýrazněným posledním skokem hráče 2.
# Hráč Druh
Obranný trojúhelníkový tvar JumpStar Pozice ze skutečné hry, v níž JumpStar vytváří ve středu tvar, který odrazuje od skoků přes střed a vytlačuje soupeřovy kameny ven.
Uzavřete střed. JumpStar často vytváří dvě kompaktní fronty podobné trojúhelníkům, přes které se ve středových koridorech špatně skáče, a vytlačuje tak soupeřovy kameny k okrajům.
Dlouhý řetězec JumpStar v koncovce Pozice ze skutečné hry, v níž JumpStar rozmisťuje kameny do dlouhého řetězce skoků směrem k protilehlému cíli.
Proměňte výhodu v řetězcích. Později tytéž instinkty pro rozestupy vytvářejí dlouhé žebříky, které efektivně přivádějí zaostávající kameny domů.

Smyčka prohledávání a tréninku

V hrubých rysech JumpStar sleduje vzor AlphaZero: hra sám se sebou vytváří cíle z počtů návštěv MCTS, tyto cíle trénují model policy/value a silnější model vede další kolo prohledávání.

hra sám se sebou -> cíle z návštěv MCTS -> trénink policy/value -> silnější prohledávání -> hra sám se sebou

Praktická síla vzešla z toho, že smyčka byla dost levná na opakované spouštění: nativní pracovní procesy hry sám se sebou v C++, efektivní generování tahů, dávkové vyhodnocování listů, transpozice, opětovné využití podstromů, kompaktní záznamy a release buildy vyladěné pro lokální hardware Apple.

Velkou část tohoto zrychlení umožnil Codex s GPT-5.5 jako partner pro implementaci a výzkum. Codex pomáhal procházet kód, profilovat úzká hrdla, přepisovat kritické části, analyzovat tréninkové logy, balit benchmarkové běhy a udržovat v chodu několik experimentů najednou. Nejdůležitější přínosy byly praktické: velká zrychlení hry sám se sebou a vyhodnocování, snížení paměťových nároků tréninku zhruba o 98 %, aby se práce vešla na můj lokální počítač, a dost automatizace na to, abych mohl engine dál vylepšovat, i když jsem zároveň na plný úvazek vedl jako CEO firmu Edia.

Projekt postupoval neobvykle rychle, protože smyčka nebyla jen hrou modelu sám se sebou; byla to zároveň iterativní inženýrská smyčka pro celý systém kolem něj. Codex umožnil spustit experiment, prozkoumat, proč selhal, optimalizovat kód, znovu spustit benchmark, shrnout výsledek a proměnit další otázku v konkrétní patch. Tento cyklus zpětné vazby stlačil práci, která by jinak mohla zabrat měsíce na infrastruktuře, nástrojích, frontendu, benchmarku a sepisování, do zhruba jednoho týdne od nalezení staré desky po veřejné spuštění.

Lokální účetnictví Codexu dává hrubou představu o rozsahu této spolupráce. Napříč vlákny projektu viditelnými v lokální stavové databázi Codexu dosáhl zaznamenaný údaj tokens_used celkem přibližně 559.9M tokenů. Tato čísla zahrnují kontext, výstupy nástrojů, efekty cachovaného kontextu, účtování uvažování a výstupu i překrývající se pracovní vlákna, takže je třeba je chápat jako procesní metriku, nikoli jako vědecké měření výpočetního výkonu.

CCERL a veřejný benchmark

Čínská dáma nemá vyspělý veřejný žebříček enginů jako šachy a go, a proto je obtížné hodnotit sílu enginů a jejich pokrok. CCERL tuto mezeru zaplňuje. CCERL je první veřejný benchmark pro hodnocení síly AI enginů pro čínskou dámu. Na základě podobných konceptů ze šachu a go poskytuje CCERL pevná pravidla, prověřené výchozí pozice, párové prohození stran, záznamy her ke stažení a veřejné referenční enginy.

Podle benchmarků CCERL se JumpStar jeví jako s velkým náskokem nejsilnější veřejně dostupný AI engine pro čínskou dámu na světě.

Věřím, že JumpStar dosáhl v čínské dámě téměř nadlidské síly podle profilu pravidel pro dva hráče, a to s výpočetním výkonem na úrovni MacBooku. Ještě důležitější je, že CCERL dává všem budoucím přispěvatelům cíl: upravit JumpStar, postavit nový model, věrněji portovat existující engine, přidat lepší pozice nebo přihlásit vyzyvatele pod stejným rozhodčím.

Další práce

JumpStar nemá být jen soukromý bot. Projekt se snaží stát se čtyřmi věcmi:

  • Silný veřejný model AI. JumpStar má otevřenou licenci a tento web je zdarma. Kdokoli může hrát proti JumpStar nebo se ho pokusit sám vylepšit. JumpStar byl celý natrénován na MacBooku M4. Více výpočetního výkonu výkonnost jistě zlepší.
  • Veřejná benchmarková infrastruktura. Šachy a go mají komunity, kde lze enginy testovat, porovnávat a zlepšovat. CCERL přináší stejnou infrastrukturu do čínské dámy: jasná pravidla, reprodukovatelné zápasy, veřejné záznamy a cestu pro ostatní, jak stavět vlastní modely.
  • Výzkum samotné hry. Silná AI mění to, co dokážeme vidět. Chci pochopit, jak vypadá dobrá hra, jak se vyvíjejí zahájení, proč se přeplněné desky chovají tak, jak se chovají, a co se děje ve hrách tří, čtyř a šesti hráčů, když se střed desky promění v dopravní zácpu možností.
  • Varianty pro více hráčů. Model pro dva hráče je jen začátek. Divočejší otázky začínají, když se deska zaplní: tři hráči, čtyři hráči, šest hráčů, měnící se aliance, zablokované cesty a podivná emergentní zahájení. Chci zjistit, jak tam vypadá silná hra, a také na deskách mnohem větších než standardní. Složitosti a vzorce, které se objeví, budou fascinující.

Doufám, že JumpStar povzbudí více lidí, aby o čínské dámě přemýšleli, hráli ji, studovali ji a stavěli kolem ní.