AI pro čínskou dámu

JumpStar je nejsilnější AI engine pro čínskou dámu na světě

Nově na iPhonu JumpStar Čínská dáma Hrajte offline proti nejsilnější AI, řešte denní hádanky, získávejte rady a ukládejte si záznamy her. Stáhnout

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.

Krása čínské dámy

Čínská dáma je závod napříč šesticípou deskou ve tvaru hvězdy. Každý hráč začíná se skupinou deseti kamenů v jednom trojúhelníku a snaží se jako první přesunout všechny své kameny do protilehlého trojúhelníku. Hrát ji mohou dva, tři, čtyři nebo šest hráčů. Existují jen dva druhy pohybu, krok a skok, a žádná možnost brát kameny, což je jeden z důvodů, proč deska působí tak živě: jednoduchá pravidla pohybu vytvářejí složité dopravní situace, když se hráči snaží stavět řetězce skoků a bránit soupeřům, aby dělali totéž.

Navzdory názvu čínská dáma nevznikla v Číně a ve skutečnosti to ani není dáma. Hra se obvykle odvozuje od hry Stern-Halma neboli Hvězdicová Halma, německé úpravy Halmy pro hvězdicovou desku vydané roku 1892. Známý anglický název přišel později díky americkému marketingu a hra se od té doby stala celosvětově oblíbenou deskovou hrou.

Jak hrát čínskou dámu

Ve svém tahu posunete jeden ze svých kamenů. Kámen může udělat krok do sousední volné jamky, nebo přeskočit sousední obsazenou jamku do volné jamky za ní. Skoky lze řetězit, takže jediný tah může při správném rozestavění překonat velkou část desky. Přeskočené kameny zůstávají na desce. Neberou se.

Cílem je přesunout všechny své kameny do trojúhelníku přímo naproti vašemu výchozímu trojúhelníku. Dobrá hra není jen o spěchu vpřed. Musíte stavět užitečné žebříky, neblokovat vlastní kameny, dobře využívat přeplněný střed a rozhodnout, kdy tah, který teď vypadá pomalu, později vytvoří rychlejší cestu.

Přehledné shrnutí najdete v kompletních pravidlech čínské dámy. Až budete chtít svou hru zlepšit, pokračujte průvodcem strategií a taktikou JumpStar.

Proč je AI pro čínskou dámu zajímavá

Klasické deskové hry hrají v AI ústřední roli už desítky let. Deep Blue od IBM porazil v roce 1997 mistra světa v šachu Garriho Kasparova. AlphaGo porazil v roce 2016 Lee Sedola. Tyto hry se staly milníky, protože silná počítačová hra změnila to, jak jim lidé rozumějí.

Čínská dáma takový veřejný ekosystém AI neměla. Ve srovnání se šachem a go existuje mnohem méně enginů, benchmarků, ratingových žebříčků, veřejných záznamů her i sdílených výzkumných nástrojů. Ta mezera překvapuje, protože hra má přesně takovou strukturu, jakou systémy AI rády zkoumají: úplnou informaci, žádnou náhodu, jasnou podmínku výhry a obrovské množství možných budoucností.

I klidná výchozí pozice se rychle větví. V pravidlech JumpStar pro dva hráče má výchozí deska 14 povolených prvních tahů. Poté, co každá strana jednou táhne, existuje 196 možných sekvencí o dvou půltazích. V hloubce tři je z výchozí pozice možných 4 760 sekvencí tahů. Později ve hře působí řetězové skoky a přeplněné koridory tak, že volby jsou mnohem méně zřejmé, než 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. Překvapivým výsledkem je efektivita. Všechny modely JumpStar byly trénovány na MacBooku M4, nikoli na velkých clusterech TPU/GPU spojovaných s přelomovými systémy pro go a šachy.

Ambicí je nadlidská hra, ale veřejné tvrzení je záměrně ověřitelné: JumpStar se podle profilu pravidel pro dva hráče jeví jako nadlidský nebo téměř nadlidský a CCERL existuje proto, aby budoucí enginy mohly tento výsledek zpochybnit.

Systém

JumpStar není jen checkpoint modelu. Je to kompletní engine a benchmarková sada: reprezentace desky, pravidla, prohledávání, hra sám se sebou, tréninkové záznamy, rozhodčí nástroje a veřejné důkazy.

• Pravidla a prohledávání. JumpStar používá kompaktní bitmapovou reprezentaci hvězdicové desky se 121 jamkami, striktní pravidla pro dva hráče, generování povolených kroků i tahů s více skoky, uzamykání cíle, kontroly konce hry, deterministické hashování, referenční boty a nativní spouštěč zápasů. Implementace pravidel je záměrně explicitní, protože enginy pro čínskou dámu jinak dokážou zneužívat okrajové případy: kempovat v domácím či cílovém trojúhelníku, vytvářet umělé blokády nebo vyhrávat díky zvláštnostem rozhodčího místo lepší hry. Profil pravidel JumpStar má odměňovat čistý závod, silnou geometrii a reprodukovatelné prohledávání, nikoli triky s blokováním.
• Trénink hrou sám se sebou. Hra sám se sebou a reanalýza generují stavy desky, povolené akce, počty návštěv MCTS, výsledky her a příznaky postupu. Tyto záznamy trénují model policy/value, který vede další kolo prohledávání. JumpStar_60 je MLP geometry_v1, 512x4 s přibližně 10.36M parametry, trénovaný na reanalyzované datové sadě s 1.8M příklady. Praktická práce spočívala v tom, udělat tuto smyčku dost malou a rychlou, aby šla opakovaně spouštět na lokálním hardwaru.
• Veřejný benchmarking. Protože čínská dáma dosud neměla vyspělý veřejný žebříček enginů, vyvinul jsem souběžně s JumpStar benchmark CCERL-2P10-v2. CCERL definuje sadu pravidel, protokol enginů, zmrazenou sadu pozic, referenční enginy, artefakty vydání a metodiku hodnocení. Benchmark používá párové pozice s prohozenými stranami a zveřejňuje záznamy, takže výsledky jsou reprodukovatelné, nikoli jen tvrzené. Budoucí enginy tak mohou JumpStar vyzvat pod stejným rozhodčím, místo aby se porovnávala vágní tvrzení o síle.

Jak JumpStar hraje čínskou dámu

Jedním z nejzajímavějších kvalitativních postřehů je, že JumpStar často nehraje jako jednoduchá závodní heuristika. Místo toho rozvíjí důmyslné strategie, jako je zpomalování soupeře, udržování užitečných blokujících kamenů a stavění kompaktních formací podobných trojúhelníkům, které omezují provoz důležitými koridory.

Tento styl snadno přehlédnete, pokud čínskou dámu vnímáte jen jako závod o postup vpřed. Protože se kameny nikdy neberou, může obranný tvar hrát roli po mnoho tahů: může zablokovat skokový žebřík, donutit soupeře obcházet zácpu nebo získat dost času, aby vlastní kameny modelu dokončily svou cestu. Některé z nejsilnějších nápadů JumpStar tak možná spočívají v ovládání geometrie, nikoli jen v rychlejším postupu.

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.

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

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.