JumpStar er verdens stærkeste AI-motor til kinaskak
Baggrund
Jeg byggede JumpStar til min mor. Projektet begyndte den 15. maj 2026 i Indiana, da jeg hjalp mine forældre med at flytte ud af det hjem, vi var vokset op i. Mens vi pakkede deres ting, fandt vi vores gamle kinaskakbræt og begyndte at mindes, hvor sjovt det havde været at spille sammen som familie.
Efter at min bror og jeg var flyttet hjemmefra for at studere, havde min mor prøvet at finde kinaskak-apps til iPhone, så hun kunne blive ved med at spille alene, men ingen af dem var gode. I lyset af succeserne med AlphaGo og Stockfish tænkte jeg, at der da måtte findes mange stærke open source-AI-motorer til kinaskak - men det gør der ikke. Trods sin popularitet og elegance havde kinaskak fået overraskende lidt opmærksomhed fra AI-miljøet. Det hul fik mig til at bygge JumpStar.
Mit mål var at bygge den første overmenneskelige AI-motor til kinaskak. En stærk computermodstander ville gøre det muligt for min mor at blive ved med at spille, også når min bror og jeg ikke var i nærheden. En overmenneskelig AI-motor kunne måske endda afdække smukke nye mønstre og strategier i spillet, som endnu ikke var almindeligt kendte.
Det er også derfor, projektet blev offentligt. En stærk privat motor er interessant, men den er svær for andre at vurdere eller forbedre. Det offentlige AI-benchmark for kinaskak gør arbejdet til noget, der kan efterprøves: et regelsæt, en protokol, en samling stillinger, referencemodstandere, logfiler og en navngiven JumpStar-model, som andre systemer kan udfordre.
Hvorfor AI til kinaskak er interessant
Skak og go har årtiers offentligt AI-arbejde bag sig: motorer, benchmarks, ratinglister og delte partiarkiver. Kinaskak har meget lidt af det, selvom det er præcis den slags spil, AI er god til at studere. Der er ingen skjult information, intet held og en klar måde at vinde på.
Det bliver også hurtigt kompliceret. Med JumpStars regler for to spillere er der 14 lovlige første træk, 196 måder, de to første træk kan gå på, og 4.760 efter det tredje. Senere i spillet gør springkæder og tætte baner gode træk meget sværere at få øje på, end reglerne antyder.
Hvad JumpStar er
JumpStar er en kinaskakmotor trænet gennem self-play, bygget på en kompakt regel- og søgekerne i C++20, en neural policy/value-model og Monte Carlo-træsøgning. Dens stærkeste offentlige checkpoint, JumpStar_60, er den nuværende mester i benchmarket CCERL-2P10-v2. Alle JumpStar-modeller er trænet på en MacBook M4 og ikke på de store GPU-klynger bag de kendte skak- og go-motorer.
Målet er overmenneskeligt spil, og påstanden skal kunne testes. JumpStar ser ud til at være overmenneskelig eller tæt på under reglerne for to spillere, og med CCERL kan enhver fremtidig motor udfordre det.
Systemet
JumpStar er en komplet motor og et benchmark, ikke bare en trænet model.
- Regler og søgning. En kompakt model af brættet med 121 huller, strenge regler for to spillere, hurtig generering af skridt og kæder med flere spring samt en kampafvikler. Reglerne er bevidst eksplicitte, så en motor ikke kan vinde ved at slå lejr i en trekant eller udnytte en særhed i dommerprogrammet.
- Træning gennem self-play. JumpStar spiller mod sig selv, og de spil træner en policy/value-model, der guider næste runde af søgningen.
JumpStar_60er et512x4-netværk med cirka10.36Mparametre, trænet på1.8Mgenanalyserede stillinger. - Offentligt benchmark. Der fandtes ingen offentlig rangliste for kinaskakmotorer, så jeg byggede
CCERL-2P10-v2sideløbende med JumpStar. Det fastlægger reglerne, motorprotokollen, et fast sæt startstillinger, referencemotorer og den måde, ratings beregnes på, og det offentliggør alle spillogs, så resultaterne kan efterprøves.
Sådan spiller JumpStar kinaskak
JumpStar nøjes ofte ikke med at køre på. Den bremser modstanderen, holder nyttige blokerende brikker på plads og bygger kompakte trekantformer, der gør midten af brættet svær at springe igennem.
Fordi brikker aldrig bliver slået, kan en defensiv formation holde i mange træk. Den kan tage en springvej fra modstanderen, tvinge den til at gå udenom og købe tid, så JumpStars egne brikker kan nå hjem.
Vindende åbningsmønster
| # | Spiller | Type |
|---|
Søge- og træningsløkken
Overordnet følger JumpStar AlphaZero-mønstret: Self-play giver MCTS-besøgstal som træningsmål, de mål træner en policy/value-model, og den stærkere model guider næste runde af søgningen.
self-play -> MCTS-besøgsmål -> policy/value-træning -> stærkere søgning -> self-play
Den praktiske styrke kom fra at gøre løkken billig nok til at køre igen og igen: indbyggede self-play-workers i C++, effektiv generering af træk, samlet evaluering af blade i batches, transpositioner, genbrug af deltræer, kompakte data og release-builds tunet til lokal Apple-hardware.
En stor del af den komprimering kom fra at bruge Codex med GPT-5.5 som partner til implementering og forskning. Codex hjalp med at gennemgå kodebasen, profilere flaskehalse, omskrive kritiske kodestier, analysere træningslogs, pakke benchmarkkørsler og holde flere eksperimentspor i gang på én gang. De vigtigste gevinster var praktiske: store hastighedsforbedringer i self-play og evaluering, en reduktion af hukommelsesforbruget i træningsdelen på omkring 98 %, så arbejdet kunne være på min lokale maskine, og nok automatisering til at blive ved med at forbedre motoren, mens jeg samtidig passede mit fuldtidsjob som CEO for Edia.
Projektet gik usædvanligt hurtigt, fordi løkken ikke kun var self-play for modellen; det var også en iterativ udviklingsløkke for systemet omkring den. Codex gjorde det muligt at køre et eksperiment, undersøge fejlen, optimere koden, køre benchmarket igen, opsummere resultatet og gøre det næste spørgsmål til en konkret patch. Den feedbackcyklus komprimerede arbejde, der ellers kunne have taget måneder med infrastruktur, værktøjer, frontend, benchmark og dokumentation, til omkring en uge fra fundet af det gamle bræt til den offentlige lancering.
Det lokale Codex-regnskab giver et groft billede af omfanget af samarbejdet. På tværs af de projekttråde, der er synlige i den lokale Codex-tilstandsdatabase, løb de registrerede tokens_used op i cirka 559.9M tokens. Tallene omfatter kontekst, værktøjsoutput, effekter af cachet kontekst, opgørelse af ræsonnement og output samt overlappende arbejdstråde, så de skal læses som et procesmål og ikke som en videnskabelig måling af regnekraft.
CCERL og det offentlige benchmark
Kinaskak har ikke en moden offentlig rangliste for motorer som skak og go, hvilket gør det svært at vurdere motorers styrke og fremskridt. CCERL udfylder det tomrum. CCERL er det første offentlige benchmark til at vurdere styrken af AI-motorer til kinaskak. Med udgangspunkt i lignende koncepter fra skak og go tilbyder CCERL faste regler, kontrollerede startstillinger, parrede sidebytter, logfiler, der kan downloades, og offentlige referencemodstandere.
Ud fra CCERL-benchmarks ser JumpStar ud til at være verdens stærkeste offentligt tilgængelige AI-motor til kinaskak - med stor margin.
Jeg mener, at JumpStar har nået en næsten overmenneskelig styrke i kinaskak under regelprofilen for to spillere, med regnekraft på niveau med en lokal MacBook. Endnu vigtigere giver CCERL alle fremtidige bidragydere et mål: Modificér JumpStar, byg en ny model, port en eksisterende motor mere trofast, tilføj bedre stillinger, eller indsend en udfordrer under den samme dommer.
Fremtidigt arbejde
JumpStar skal ikke bare være en privat bot. Projektet prøver at blive fire ting:
- En stærk offentlig AI-model. JumpStar har en åben licens, og denne hjemmeside er gratis. Alle kan spille mod JumpStar eller selv prøve at forbedre den. JumpStar er trænet udelukkende på en MacBook M4. Mere regnekraft vil helt sikkert forbedre præstationen.
- Offentlig benchmarkinfrastruktur. Skak og go har fællesskaber, hvor motorer kan testes, sammenlignes og forbedres. CCERL bringer den samme infrastruktur til kinaskak: klare regler, kampe, der kan gentages, offentlige logfiler og en vej for andre til at bygge deres egne modeller.
- Forskning i selve spillet. Stærk AI ændrer, hvad vi kan se. Jeg vil forstå, hvordan godt spil ser ud, hvordan åbninger udvikler sig, hvorfor tætpakkede brætter opfører sig, som de gør, og hvad der sker i spil med tre, fire og seks spillere, når midten af brættet bliver en trafikprop af muligheder.
- Varianter med flere spillere. Modellen for to spillere er kun begyndelsen. De vildere spørgsmål begynder, når brættet bliver mere trængt: tre spillere, fire spillere, seks spillere, skiftende alliancer, blokerede veje og mærkelige åbninger, der opstår af sig selv. Jeg vil finde ud af, hvordan stærkt spil ser ud der også, og på brætter, der er langt større end standard. De kompleksiteter og mønstre, der opstår, vil være fascinerende.
Jeg håber, at JumpStar får flere til at tænke over kinaskak, spille det, studere det og bygge videre på det.