JumpStar est le moteur d'IA de dames chinoises le plus fort au monde
Origine
J'ai créé JumpStar pour ma mère. Le projet a commencé le 15 mai 2026 dans l'Indiana, alors que j'aidais mes parents à quitter la maison de notre enfance. En emballant leurs affaires, nous avons retrouvé notre vieux plateau de dames chinoises et nous nous sommes souvenus à quel point c'était amusant d'y jouer en famille.
Quand mon frère et moi sommes partis à l'université, ma mère avait cherché des applications iPhone de dames chinoises pour continuer à jouer seule, mais aucune n'était vraiment bonne. Vu les succès d'AlphaGo et de Stockfish, je pensais qu'il existerait forcément de nombreux moteurs d'IA open source performants pour les dames chinoises – mais ce n'est pas le cas. Malgré sa popularité et son élégance, le jeu avait reçu étonnamment peu d'attention de la part de la communauté de l'IA. C'est ce manque qui m'a poussé à créer JumpStar.
Mon objectif était de construire le premier moteur d'IA surhumain pour les dames chinoises. Un adversaire informatique fort permettrait à ma mère de continuer à jouer même quand mon frère et moi n'étions pas là. Un moteur surhumain pourrait même révéler de nouveaux motifs et de nouvelles stratégies, magnifiques, encore peu connus.
C'est aussi pour cela que le projet est devenu public. Un moteur privé puissant est intéressant, mais il est difficile pour quiconque de l'évaluer ou de l'améliorer. Le benchmark public d'IA pour les dames chinoises rend le travail vérifiable : un ensemble de règles, un protocole, une série de positions, des références de base, des journaux de parties et un modèle JumpStar nommé que d'autres systèmes peuvent défier.
Pourquoi l'IA de dames chinoises est intéressante
Les échecs et le go ont derrière eux des décennies de travaux publics en IA : moteurs, benchmarks, classements et parties partagées. Les dames chinoises n'ont presque rien de tout cela, alors que c'est exactement le genre de jeu que l'IA sait bien étudier. Il n'y a pas d'information cachée, pas de hasard, et une façon claire de gagner.
Le jeu devient aussi vite compliqué. Avec les règles à deux joueurs de JumpStar, il y a 14 premiers coups autorisés, 196 façons de jouer les deux premiers coups, et 4 760 au troisième. Plus tard, les sauts enchaînés et les couloirs encombrés rendent les bons coups bien plus difficiles à voir que les règles ne le laissent penser.
Ce qu'est JumpStar
JumpStar est un moteur de dames chinoises entraîné par auto-jeu, construit sur un noyau compact de règles et de recherche en C++20, un modèle neuronal de politique et de valeur, et une recherche arborescente Monte-Carlo. Son point de contrôle public le plus fort, JumpStar_60, est l'actuel champion du benchmark CCERL-2P10-v2. Tous les modèles JumpStar ont été entraînés sur un MacBook M4, et non sur les grands clusters de GPU qui ont servi aux célèbres moteurs d'échecs et de go.
L'objectif est un niveau surhumain, et cette affirmation est faite pour être vérifiée. Avec les règles à deux joueurs, JumpStar semble surhumain ou presque, et CCERL permet à tout futur moteur de le contester.
Le système
JumpStar est un moteur et un benchmark complets, pas seulement un modèle entraîné.
- Règles et recherche. Une représentation compacte du plateau de 121 trous avec des règles strictes à deux joueurs, une génération rapide des coups pour les déplacements et les chaînes de sauts, et un outil pour lancer les matchs. Les règles sont volontairement explicites, pour qu'un moteur ne puisse pas gagner en campant dans un triangle ou en profitant d'une faille de l'arbitre.
- Entraînement par auto-jeu. JumpStar joue contre lui-même, et ces parties entraînent un modèle de politique et de valeur qui guide la recherche suivante.
JumpStar_60est un réseau512x4d'environ10.36Mparamètres, entraîné sur1.8Mpositions réanalysées. - Benchmark public. Il n'existait aucun classement public des moteurs pour les dames chinoises, alors j'ai créé
CCERL-2P10-v2en parallèle de JumpStar. Il définit les règles, le protocole des moteurs, une série figée de positions de départ, des moteurs de référence et le calcul des classements, et il publie tous les journaux de parties pour que chacun puisse vérifier les résultats.
Comment JumpStar joue aux dames chinoises
Souvent, JumpStar ne se contente pas de faire la course. Il ralentit l'adversaire, garde en place des pions bloqueurs utiles et construit des formes compactes en triangle qui rendent le centre du plateau difficile à traverser en sautant.
Comme les pions ne sont jamais pris, une formation défensive peut tenir pendant de nombreux tours. Elle peut couper une route de sauts, forcer l'adversaire à faire le tour et laisser aux pions de JumpStar le temps d'arriver.
Schéma d'ouverture gagnant
| N° | Joueur | Type | Coup |
|---|
La boucle de recherche et d'entraînement
Dans les grandes lignes, JumpStar suit le schéma d'AlphaZero : l'auto-jeu produit des cibles de visites MCTS, ces cibles entraînent un modèle de politique et de valeur, et le modèle plus fort guide la recherche suivante.
auto-jeu -> cibles de visites MCTS -> entraînement politique/valeur -> recherche plus forte -> auto-jeu
La force réelle est venue du fait d'avoir rendu cette boucle assez peu coûteuse pour la lancer encore et encore : workers d'auto-jeu natifs en C++, génération de coups efficace, évaluation des feuilles par lots, transpositions, réutilisation des sous-arbres, données compactes et builds de production optimisés pour le matériel Apple local.
Une grande part de ce gain de temps vient de l'utilisation de Codex avec GPT-5.5 comme partenaire d'implémentation et de recherche. Codex a aidé à examiner le code, profiler les goulots d'étranglement, réécrire les chemins critiques, analyser les journaux d'entraînement, préparer les sessions de benchmark et faire avancer plusieurs pistes d'expérimentation en même temps. Les gains les plus importants ont été concrets : de fortes accélérations de l'auto-jeu et de l'évaluation, une réduction d'environ 98 % de la mémoire utilisée par l'entraînement pour que le travail tienne sur ma machine locale, et assez d'automatisation pour continuer à améliorer le moteur tout en exerçant mon métier à plein temps de PDG d'Edia.
Le projet a avancé exceptionnellement vite parce que la boucle n'était pas seulement de l'auto-jeu pour le modèle ; c'était aussi une boucle d'ingénierie itérative pour tout le système autour. Codex a permis de lancer une expérience, d'examiner le mode d'échec, d'optimiser le code, de relancer le benchmark, de résumer le résultat et de transformer la question suivante en un correctif concret. Ce cycle de retour a condensé un travail qui aurait pu demander des mois d'infrastructure, d'outillage, de frontend, de benchmark et de rédaction en une semaine environ, entre la redécouverte du plateau et le lancement public.
La comptabilité locale de Codex donne une idée approximative de l'ampleur de cette collaboration. Sur l'ensemble des fils du projet visibles dans la base de données d'état locale de Codex, le total enregistré de tokens_used atteint environ 559.9M tokens. Ces chiffres incluent le contexte, les sorties d'outils, les effets du contexte mis en cache, la comptabilité du raisonnement et des sorties, ainsi que des fils de travail qui se chevauchent : il faut donc les lire comme une mesure du processus plutôt que comme une mesure scientifique du calcul.
CCERL et le benchmark public
Les dames chinoises n'ont pas de classement public mature des moteurs comme les échecs et le go, ce qui rend difficile l'évaluation de leur force et de leurs progrès. CCERL comble ce vide. CCERL est le premier benchmark public permettant d'évaluer la force des moteurs d'IA de dames chinoises. Inspiré de concepts similaires aux échecs et au go, CCERL fournit des règles fixes, des positions de départ vérifiées, des inversions de camps par paires, des journaux de parties téléchargeables et des références publiques.
D'après les benchmarks CCERL, JumpStar semble être, et de loin, le moteur d'IA de dames chinoises le plus fort accessible au public dans le monde.
Je pense que JumpStar a atteint un niveau presque surhumain aux dames chinoises selon le profil de règles à deux joueurs, avec la puissance de calcul d'un simple MacBook. Surtout, CCERL donne une cible à tous les futurs contributeurs : modifier JumpStar, construire un nouveau modèle, porter plus fidèlement un moteur existant, ajouter de meilleures positions ou présenter un challenger sous le même arbitre.
Travaux futurs
JumpStar n'a pas vocation à rester un simple bot privé. Le projet cherche à devenir quatre choses :
- Un modèle d'IA public et fort. JumpStar est sous licence libre, et ce site est gratuit. Tout le monde peut jouer contre JumpStar ou essayer de l'améliorer. JumpStar a été entièrement entraîné sur un MacBook M4. Davantage de puissance de calcul améliorera sûrement ses performances.
- Une infrastructure publique de benchmark. Les échecs et le go ont des communautés où les moteurs peuvent être testés, comparés et améliorés. CCERL apporte cette même infrastructure aux dames chinoises : des règles claires, des matchs reproductibles, des journaux publics et un chemin pour que d'autres construisent leurs propres modèles.
- La recherche sur le jeu lui-même. Une IA forte change ce que nous pouvons voir. Je veux comprendre à quoi ressemble le bon jeu, comment les ouvertures évoluent, pourquoi les plateaux encombrés se comportent comme ils le font, et ce qui se passe dans les parties à trois, quatre et six joueurs quand le centre du plateau devient un embouteillage de possibilités.
- Les variantes multijoueurs. Le modèle à deux joueurs n'est qu'un début. Les questions les plus folles commencent quand le plateau se remplit : trois joueurs, quatre joueurs, six joueurs, alliances changeantes, chemins bloqués et ouvertures émergentes étranges. Je veux découvrir à quoi ressemble le jeu fort dans ces configurations, et aussi sur des plateaux bien plus grands que le standard. Les complexités et les motifs qui en émergeront seront fascinants.
J'espère que JumpStar donnera envie à davantage de gens de s'intéresser aux dames chinoises, d'y jouer, de les étudier et de construire autour d'elles.