IA de damas chinas

JumpStar es el motor de IA de damas chinas más fuerte del mundo

Ya disponible en iPhone JumpStar Damas chinas Juega sin conexión contra la IA más fuerte, resuelve retos diarios, pide pistas y guarda tus partidas. Descargar

Origen

Creé JumpStar para mi mamá. El proyecto empezó el 15 de mayo de 2026 en Indiana, mientras ayudaba a mis padres a mudarse de la casa en la que crecimos. Al empacar sus cosas, encontramos nuestro viejo tablero de damas chinas y empezamos a recordar lo divertido que era jugar en familia.

Cuando mi hermano y yo nos fuimos a la universidad, mi mamá buscó apps de damas chinas para iPhone para poder seguir jugando sola, pero ninguna era buena. Con los éxitos de AlphaGo y Stockfish, pensé que seguramente habría muchos motores de IA de código abierto potentes para las damas chinas, pero no los hay. A pesar de su popularidad y su elegancia, las damas chinas habían recibido sorprendentemente poca atención de la comunidad de IA. Ese vacío es lo que me llevó a crear JumpStar.

Mi objetivo era construir el primer motor de IA sobrehumano para las damas chinas. Un rival fuerte en la computadora permitiría que mi mamá siguiera jugando aunque mi hermano y yo no estuviéramos cerca. Un motor de IA sobrehumano podría incluso descubrir patrones y estrategias nuevos y hermosos del juego que aún no fueran muy conocidos.

Por eso también el proyecto se hizo público. Un motor privado y fuerte es interesante, pero a los demás les resulta difícil evaluarlo o mejorarlo. El benchmark público de IA para damas chinas convierte el trabajo en algo que se puede inspeccionar: un reglamento, un protocolo, un conjunto de posiciones, referencias de base, registros y un modelo de JumpStar con nombre propio al que otros sistemas pueden desafiar.

La belleza de las damas chinas

Las damas chinas son una carrera sobre un tablero en forma de estrella de seis puntas. Cada jugador empieza con un grupo de diez fichas en un triángulo e intenta ser el primero en llevar todas sus fichas al triángulo opuesto. Pueden jugar dos, tres, cuatro o seis jugadores. Solo hay dos movimientos, el paso y el salto, y no se pueden capturar fichas. Esa es una de las razones por las que el tablero parece tan vivo: unas reglas de movimiento sencillas generan un tráfico complejo mientras los jugadores intentan construir cadenas de saltos e impedir que sus rivales hagan lo mismo.

A pesar del nombre, las damas chinas no nacieron en China y en realidad no son un juego de damas. Su origen suele situarse en el Stern-Halma, o Halma estrella, una adaptación alemana del Halma a un tablero en forma de estrella publicada en 1892. El conocido nombre en inglés llegó más tarde gracias al marketing estadounidense, y desde entonces se ha convertido en un juego de mesa popular en todo el mundo.

Cómo jugar damas chinas

En tu turno, mueves una de tus fichas. Una ficha puede dar un paso a una casilla vecina vacía o saltar por encima de una casilla adyacente ocupada hasta la casilla vacía que hay detrás. Los saltos se pueden encadenar, así que una sola jugada puede recorrer gran parte del tablero si la distribución de las fichas es la adecuada. Las fichas saltadas se quedan en el tablero. No se capturan.

El objetivo es llevar todas tus fichas al triángulo situado justo enfrente de tu triángulo inicial. Jugar bien no consiste solo en avanzar a toda prisa. Tienes que construir escaleras útiles, evitar bloquear tus propias fichas, aprovechar bien el centro abarrotado y decidir cuándo una jugada que ahora parece lenta creará una ruta más rápida después.

Si quieres una referencia concreta, lee las reglas completas de las damas chinas. Cuando quieras mejorar tu juego, sigue con la guía de estrategia y tácticas de JumpStar.

Por qué es interesante la IA de damas chinas

Los juegos de mesa clásicos llevan décadas siendo fundamentales para la IA. Deep Blue, de IBM, derrotó al campeón mundial de ajedrez Garry Kasparov en 1997. AlphaGo derrotó a Lee Sedol en 2016. Esos juegos se convirtieron en hitos porque el juego fuerte de las máquinas cambió la forma en que la gente los entendía.

Las damas chinas no han tenido el mismo ecosistema público de IA. Comparadas con el ajedrez y el go, tienen muchos menos motores, benchmarks, listas de clasificación, registros públicos de partidas y herramientas de investigación compartidas. Ese vacío sorprende, porque el juego tiene justo el tipo de estructura que les gusta estudiar a los sistemas de IA: información perfecta, ausencia de azar, una condición de victoria clara y un número enorme de futuros posibles.

Incluso la tranquila posición inicial se ramifica rápidamente. Con las reglas para dos jugadores de JumpStar, el tablero inicial tiene 14 primeras jugadas legales. Después de que cada bando haya jugado una vez, hay 196 secuencias posibles de dos jugadas. A profundidad tres, hay 4,760 secuencias de jugadas posibles desde la posición inicial. Más adelante en la partida, los saltos encadenados y los carriles abarrotados hacen que las decisiones sean mucho menos obvias de lo que sugieren las reglas.

Qué es JumpStar

JumpStar es un motor de damas chinas entrenado mediante autojuego y construido sobre un núcleo compacto de reglas y búsqueda en C++20, un modelo neuronal de política y valor, y búsqueda de árbol de Monte Carlo. Su checkpoint público más fuerte, JumpStar_60, es el actual campeón del benchmark CCERL-2P10-v2. Lo sorprendente es su eficiencia. Todos los modelos de JumpStar se entrenaron en una MacBook M4, y no en los grandes clústeres de TPU/GPU asociados a los sistemas emblemáticos de go y ajedrez.

La ambición es un juego sobrehumano, pero la afirmación pública es deliberadamente comprobable: JumpStar parece ser sobrehumano o casi sobrehumano con el perfil de reglas para dos jugadores, y CCERL existe para que futuros motores puedan desafiar ese resultado.

El sistema

JumpStar no es solo un checkpoint de un modelo. Es un motor completo con todo un sistema de benchmark: representación del tablero, reglas, búsqueda, autojuego, registros de entrenamiento, herramientas de arbitraje y pruebas públicas.

• Reglas y búsqueda. JumpStar usa una representación compacta de tipo mapa de bits del tablero en estrella de 121 casillas, reglas estrictas para dos jugadores, generación de pasos legales y jugadas de varios saltos, bloqueo de la meta, comprobaciones de fin de partida, hashing determinista, bots de referencia y un ejecutor de partidas nativo. La implementación de las reglas es deliberadamente explícita, porque de lo contrario los motores de damas chinas pueden aprovecharse de casos límite: quedarse acampados en el triángulo de salida o en el de meta, crear bloqueos artificiales o ganar gracias a peculiaridades del árbitro en lugar de jugar mejor. El perfil de reglas de JumpStar está pensado para premiar la carrera limpia, la buena geometría y la búsqueda reproducible, y no los trucos para sortear las reglas antibloqueo.
• Entrenamiento por autojuego. El autojuego y el reanálisis generan estados del tablero, acciones legales, recuentos de visitas de MCTS, resultados de partidas y características de progreso. Esos registros entrenan un modelo de política y valor que guía la siguiente ronda de búsqueda. JumpStar_60 es un MLP geometry_v1 de 512x4 con aproximadamente 10.36M parámetros, entrenado con un conjunto de datos reanalizado de 1.8M ejemplos. El trabajo práctico consistió en hacer que ese ciclo fuera lo bastante pequeño y rápido como para ejecutarlo una y otra vez en hardware local.
• Benchmark público. Como las damas chinas no tenían todavía una clasificación pública y madura de motores, desarrollé CCERL-2P10-v2 junto con JumpStar. CCERL define el reglamento, el protocolo de los motores, un conjunto fijo de posiciones, motores de referencia, artefactos de versión y la metodología de puntuación. El benchmark usa posiciones emparejadas con intercambio de bandos y publica los registros, para que los resultados sean reproducibles y no simples afirmaciones. Así, los futuros motores pueden desafiar a JumpStar con el mismo árbitro en lugar de comparar vagas declaraciones de fuerza.

Cómo juega JumpStar a las damas chinas

Una de las observaciones cualitativas más interesantes es que JumpStar a menudo no juega como una simple heurística de carrera. En lugar de eso, desarrolla estrategias sofisticadas, como frenar al rival, conservar fichas útiles para bloquear y construir formaciones compactas parecidas a triángulos que restringen el tráfico por pasillos importantes.

Ese estilo pasa fácilmente desapercibido si se ven las damas chinas solo como una carrera hacia delante. Como las fichas nunca se capturan, una estructura defensiva puede importar durante muchos turnos: puede negar una escalera de saltos, obligar al rival a rodear la congestión o dar al modelo el tiempo suficiente para llevar sus propias fichas a la meta. Por eso, algunas de las mejores ideas de JumpStar pueden tener más que ver con controlar la geometría que con avanzar más rápido.

El ciclo de búsqueda y entrenamiento

A grandes rasgos, JumpStar sigue el esquema de AlphaZero: el autojuego produce objetivos de visitas de MCTS, esos objetivos entrenan un modelo de política y valor, y el modelo más fuerte guía la siguiente ronda de búsqueda.

autojuego -> objetivos de visitas de MCTS -> entrenamiento de política/valor -> búsqueda más fuerte -> autojuego

La fuerza práctica llegó al conseguir que ese ciclo fuera lo bastante barato como para ejecutarlo una y otra vez: workers nativos de autojuego en C++, generación eficiente de jugadas, evaluación de hojas por lotes, transposiciones, reutilización de subárboles, registros compactos y compilaciones de release optimizadas para hardware local de Apple.

Buena parte de esa compresión vino de usar Codex con GPT-5.5 como compañero de implementación e investigación. Codex ayudó a inspeccionar el código, perfilar cuellos de botella, reescribir las rutas críticas, analizar los registros de entrenamiento, empaquetar las ejecuciones del benchmark y mantener varias líneas de experimentación en marcha a la vez. Las mejoras más importantes fueron prácticas: grandes aceleraciones en el autojuego y la evaluación, reducciones de memoria de aproximadamente el 98% en el proceso de entrenamiento para que el trabajo cupiera en mi máquina local, y suficiente automatización para seguir mejorando el motor mientras también desempeñaba mi trabajo a tiempo completo como CEO de Edia.

El proyecto avanzó inusualmente rápido porque el ciclo no era solo de autojuego para el modelo; también era un ciclo de ingeniería iterativo para el sistema que lo rodeaba. Codex hizo posible lanzar un experimento, inspeccionar el modo de fallo, optimizar el código, volver a ejecutar el benchmark, resumir el resultado y convertir la siguiente pregunta en un parche concreto. Ese ciclo de retroalimentación comprimió un trabajo de infraestructura, herramientas, frontend, benchmark y redacción que de otro modo podría haber llevado meses en aproximadamente una semana, desde que encontramos el tablero hasta el lanzamiento público.

La contabilidad local de Codex da una idea aproximada de la escala de esa colaboración. En los hilos del proyecto visibles en la base de datos de estado local de Codex, el total registrado de tokens_used fue de aproximadamente 559.9M tokens. Esas cifras incluyen contexto, salida de herramientas, efectos del contexto en caché, contabilidad de razonamiento y salida, e hilos de trabajo solapados, así que deben interpretarse como una métrica del proceso y no como una medición científica del cómputo.

CCERL y el benchmark público

Las damas chinas no tienen una clasificación pública y madura de motores como el ajedrez y el go, lo que dificulta evaluar la fuerza y el progreso de los motores. CCERL llena ese vacío. CCERL es el primer benchmark público para evaluar la fuerza de los motores de IA de damas chinas. Basado en conceptos similares del ajedrez y el go, CCERL ofrece reglas fijas, posiciones iniciales auditadas, intercambios de bando emparejados, registros de partidas descargables y referencias públicas.

Según los benchmarks de CCERL, JumpStar parece ser, con gran diferencia, el motor de IA de damas chinas disponible públicamente más fuerte del mundo.

Creo que JumpStar ha alcanzado una fuerza casi sobrehumana en las damas chinas con el perfil de reglas para dos jugadores, usando la capacidad de cómputo de una MacBook local. Y, lo que es más importante, CCERL da a todos los futuros colaboradores un objetivo: modificar JumpStar, construir un nuevo modelo, adaptar con más fidelidad un motor existente, añadir mejores posiciones o presentar un aspirante con el mismo árbitro.

Trabajo futuro

JumpStar no pretende ser solo un bot privado. El proyecto intenta convertirse en cuatro cosas:

• Un modelo de IA público y fuerte. JumpStar tiene licencia abierta y este sitio web es gratuito. Cualquiera puede jugar contra JumpStar o intentar mejorarlo por su cuenta. JumpStar se entrenó íntegramente en una MacBook M4. Con más capacidad de cómputo, su rendimiento mejorará sin duda.
• Infraestructura pública de benchmarks. El ajedrez y el go tienen comunidades donde los motores se pueden probar, comparar y mejorar. CCERL lleva esa misma infraestructura a las damas chinas: reglas claras, partidas reproducibles, registros públicos y un camino para que otras personas construyan sus propios modelos.
• Investigación sobre el propio juego. Una IA fuerte cambia lo que somos capaces de ver. Quiero entender cómo es el buen juego, cómo evolucionan las aperturas, por qué los tableros abarrotados se comportan como lo hacen y qué ocurre en las partidas de tres, cuatro y seis jugadores cuando el centro del tablero se convierte en un atasco de posibilidades.
• Variantes para varios jugadores. El modelo para dos jugadores es solo el principio. Las preguntas más apasionantes empiezan cuando el tablero se llena: tres jugadores, cuatro, seis, alianzas cambiantes, caminos bloqueados y extrañas aperturas emergentes. Quiero descubrir cómo es el juego fuerte también ahí, y en tableros mucho más grandes de lo habitual. La complejidad y los patrones que surjan serán fascinantes.

Espero que JumpStar anime a más gente a pensar en las damas chinas, a jugarlas, a estudiarlas y a construir cosas en torno a ellas.