AI Halma

JumpStar adalah mesin AI Halma terkuat di dunia

Kini tersedia di iPhone Halma: JumpStar Lawan AI terkuat secara offline, pecahkan teka-teki harian, dapatkan petunjuk, dan simpan tayangan ulang. Unduh

Asal mula

Saya membuat JumpStar untuk ibu saya. Proyek ini dimulai pada 15 Mei 2026 di Indiana, ketika saya membantu orang tua saya pindah dari rumah tempat kami dibesarkan. Saat mengemasi barang-barang mereka, kami menemukan papan Halma lama kami dan mulai bernostalgia tentang betapa serunya bermain bersama sekeluarga.

Setelah saya dan saudara laki-laki saya berangkat kuliah, ibu saya sempat mencari aplikasi Halma di iPhone agar bisa terus bermain sendiri, tetapi tidak ada satu pun yang bagus. Melihat keberhasilan AlphaGo dan Stockfish, saya kira pasti sudah ada banyak mesin AI open source yang kuat untuk Halma, ternyata tidak. Meski populer dan elegan, Halma mendapat perhatian yang sangat sedikit dari komunitas AI. Kekosongan itulah yang mendorong saya membangun JumpStar.

Tujuan saya adalah membangun mesin AI Halma pertama yang melampaui kemampuan manusia. Lawan komputer yang kuat akan memungkinkan ibu saya terus bermain meski saya dan saudara saya tidak ada di dekatnya. Mesin AI yang melampaui manusia bahkan mungkin menemukan pola dan strategi baru yang indah dalam permainan ini, yang belum banyak diketahui.

Itu pula alasan proyek ini dibuka untuk publik. Mesin pribadi yang kuat memang menarik, tetapi sulit dievaluasi atau ditingkatkan oleh orang lain. Benchmark publik AI Halma menjadikan karya ini sesuatu yang bisa diperiksa: seperangkat aturan, sebuah protokol, kumpulan posisi, baseline, log, dan model JumpStar bernama yang bisa ditantang oleh sistem lain.

Keindahan Halma

Halma adalah adu cepat di papan berbentuk bintang berujung enam. Setiap pemain memulai dengan sepuluh bidak di satu segitiga dan berusaha menjadi yang pertama memindahkan semua bidaknya ke segitiga di seberang. Permainan ini bisa dimainkan oleh dua, tiga, empat, atau enam pemain. Hanya ada dua jenis gerakan, melangkah dan melompat, dan tidak ada kesempatan memakan bidak. Itulah salah satu alasan papan ini terasa begitu hidup: aturan gerak yang sederhana menghasilkan "lalu lintas" yang rumit saat para pemain berusaha membangun lompatan beruntun sambil menghalangi lawan melakukan hal yang sama.

Meski dalam bahasa Inggris bernama Chinese Checkers, permainan ini tidak berasal dari Tiongkok, dan sebenarnya juga bukan permainan dam. Asal-usulnya biasanya ditelusuri ke Stern-Halma, atau Star Halma, adaptasi Halma berpapan bintang dari Jerman yang diterbitkan pada 1892. Nama Inggris yang populer itu muncul kemudian melalui pemasaran di Amerika, dan sejak itu permainan ini menjadi permainan papan yang populer di seluruh dunia.

Cara bermain Halma

Pada giliran Anda, gerakkan salah satu bidak Anda. Bidak bisa melangkah ke lubang kosong di sebelahnya, atau melompati lubang terisi yang bersebelahan dan mendarat di lubang kosong di baliknya. Lompatan bisa dirangkai, sehingga satu gerakan bisa melintasi sebagian besar papan jika jaraknya pas. Bidak yang dilompati tetap di papan; bidak itu tidak dimakan.

Tujuannya adalah memindahkan semua bidak Anda ke segitiga yang tepat berseberangan dengan segitiga awal Anda. Bermain dengan baik bukan cuma soal bergegas maju. Anda perlu membangun tangga yang berguna, menghindari menghalangi bidak sendiri, memanfaatkan bagian tengah yang padat dengan baik, dan memutuskan kapan gerakan yang kini tampak lambat justru akan membuka rute yang lebih cepat nanti.

Untuk rujukan yang ringkas, baca aturan lengkap Halma. Jika sudah siap meningkatkan permainan, lanjutkan dengan panduan strategi dan taktik JumpStar.

Mengapa AI Halma menarik

Permainan papan klasik sudah menjadi pusat perkembangan AI selama puluhan tahun. Deep Blue milik IBM mengalahkan juara dunia catur Garry Kasparov pada 1997. AlphaGo mengalahkan Lee Sedol pada 2016. Permainan-permainan itu menjadi tonggak sejarah karena permainan komputer yang kuat mengubah cara orang memahaminya.

Halma belum memiliki ekosistem AI publik yang serupa. Dibandingkan catur dan Go, jumlah mesin, benchmark, daftar peringkat, rekaman permainan publik, dan alat riset bersama jauh lebih sedikit. Kekosongan ini mengejutkan, karena permainan ini punya struktur yang justru disukai sistem AI: informasi sempurna, tanpa unsur acak, kondisi menang yang jelas, dan jumlah kemungkinan masa depan yang sangat besar.

Bahkan posisi pembukaan yang tenang pun cepat bercabang. Dalam aturan dua pemain JumpStar, papan awal memiliki 14 gerakan pertama yang sah. Setelah masing-masing pihak bergerak sekali, ada 196 kemungkinan urutan dua gerakan. Pada kedalaman tiga, ada 4.760 kemungkinan urutan gerakan dari posisi awal. Di fase selanjutnya, lompatan beruntun dan jalur yang padat membuat pilihan terasa jauh lebih sulit daripada yang terkesan dari aturannya.

Apa itu JumpStar

JumpStar adalah mesin Halma yang dilatih lewat self-play, dibangun di atas inti aturan/pencarian C++20 yang ringkas, model kebijakan/nilai berbasis jaringan saraf, dan Monte Carlo tree search. Checkpoint publik terkuatnya, JumpStar_60, adalah juara benchmark CCERL-2P10-v2 saat ini. Hasil yang mengejutkan adalah efisiensinya. Semua model JumpStar dilatih di sebuah MacBook M4, bukan di klaster TPU/GPU besar seperti yang dipakai sistem Go dan catur yang menjadi tonggak sejarah.

Ambisinya adalah permainan yang melampaui manusia, tetapi klaim publiknya sengaja dibuat bisa diuji: JumpStar tampaknya sudah melampaui atau hampir melampaui manusia dalam profil aturan dua pemain, dan CCERL ada agar mesin-mesin di masa depan bisa menantang hasil tersebut.

Sistemnya

JumpStar bukan sekadar checkpoint model. JumpStar adalah tumpukan mesin dan benchmark yang lengkap: representasi papan, aturan, pencarian, self-play, catatan pelatihan, alat wasit, dan bukti publik.

• Aturan dan pencarian. JumpStar memakai representasi ringkas bergaya bitmap untuk papan bintang 121 lubang, aturan dua pemain yang ketat, pembangkitan gerakan langkah dan lompatan bertingkat yang sah, penguncian tujuan, pemeriksaan akhir permainan, hashing deterministik, bot baseline, dan pelaksana pertandingan native. Implementasi aturannya sengaja dibuat eksplisit karena mesin Halma bisa saja mengeksploitasi celah aturan: berdiam di segitiga rumah atau tujuan, membuat blokade buatan, atau menang karena keanehan wasit, bukan karena bermain lebih baik. Profil aturan JumpStar dimaksudkan untuk menghargai adu cepat yang bersih, geometri yang kuat, dan pencarian yang dapat direproduksi, bukan trik anti-blokade.
• Pelatihan self-play. Self-play dan reanalisis menghasilkan status papan, aksi yang sah, jumlah kunjungan MCTS, hasil permainan, dan fitur kemajuan. Catatan itu melatih model kebijakan/nilai yang memandu putaran pencarian berikutnya. JumpStar_60 adalah MLP geometry_v1 berukuran 512x4 dengan sekitar 10.36M parameter, dilatih dari dataset hasil reanalisis berisi 1.8M contoh. Pekerjaan praktisnya adalah membuat siklus itu cukup kecil dan cepat untuk dijalankan berulang kali di perangkat keras lokal.
• Benchmark publik. Karena Halma belum memiliki tangga peringkat mesin publik yang matang, saya mengembangkan CCERL-2P10-v2 bersamaan dengan JumpStar. CCERL mendefinisikan aturan, protokol mesin, kumpulan posisi yang dibekukan, mesin baseline, artefak rilis, dan metodologi pemeringkatan. Benchmark ini memakai posisi berpasangan dengan pertukaran sisi dan menerbitkan log agar hasilnya dapat direproduksi, bukan sekadar diklaim. Artinya, mesin di masa depan bisa menantang JumpStar dengan wasit yang sama, alih-alih membandingkan klaim kekuatan yang samar.

Cara JumpStar Bermain Halma

Salah satu pengamatan kualitatif yang paling menarik adalah JumpStar sering tidak bermain seperti heuristik adu cepat yang sederhana. Sebaliknya, ia mengembangkan strategi canggih seperti memperlambat lawan, mempertahankan bidak penghalang yang berguna, dan membangun formasi ringkas menyerupai segitiga yang membatasi lalu lintas di koridor-koridor penting.

Gaya ini mudah terlewat jika Halma hanya dipandang sebagai adu cepat untuk maju. Karena bidak tidak pernah dimakan, bentuk pertahanan bisa berpengaruh selama banyak giliran: ia bisa memutus tangga lompatan, memaksa lawan memutari kemacetan, atau memberi cukup waktu bagi bidak-bidak model sendiri untuk menuntaskan perjalanan. Karena itu, sebagian ide terkuat JumpStar mungkin justru tentang mengendalikan geometri, bukan sekadar maju lebih cepat.

Siklus pencarian dan pelatihan

Secara garis besar, JumpStar mengikuti pola AlphaZero: self-play menghasilkan target kunjungan MCTS, target itu melatih model kebijakan/nilai, dan model yang lebih kuat memandu putaran pencarian berikutnya.

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

Kekuatan praktisnya datang dari membuat siklus itu cukup murah untuk dijalankan berulang kali: worker self-play C++ native, pembangkitan gerakan yang efisien, evaluasi daun secara batch, transposisi, penggunaan ulang subpohon, catatan yang ringkas, dan build rilis yang disetel untuk perangkat keras Apple lokal.

Sebagian besar percepatan itu datang dari penggunaan Codex dengan GPT-5.5 sebagai mitra implementasi dan riset. Codex membantu memeriksa kode, memprofilkan hambatan, menulis ulang jalur yang paling sering dieksekusi, menganalisis log pelatihan, mengemas proses benchmark, dan menjaga beberapa alur eksperimen tetap berjalan sekaligus. Hasil terpentingnya bersifat praktis: percepatan besar dalam self-play dan evaluasi, pengurangan memori sekitar 98% di jalur pelatihan sehingga pekerjaan ini muat di mesin lokal saya, dan otomatisasi yang cukup untuk terus meningkatkan mesin sementara saya juga menjalankan pekerjaan penuh waktu sebagai CEO Edia.

Proyek ini bergerak luar biasa cepat karena siklusnya bukan hanya self-play untuk model; siklus itu juga merupakan putaran rekayasa iteratif untuk sistem di sekitarnya. Codex memungkinkan saya menjalankan eksperimen, memeriksa penyebab kegagalan, mengoptimalkan kode, menjalankan ulang benchmark, merangkum hasilnya, dan mengubah pertanyaan berikutnya menjadi patch yang konkret. Siklus umpan balik itu memadatkan pekerjaan yang mungkin butuh berbulan-bulan untuk infrastruktur, peralatan, frontend, benchmark, dan penulisan menjadi sekitar satu minggu, dari ditemukannya papan lama itu hingga peluncuran publik.

Catatan penggunaan Codex lokal memberi gambaran kasar tentang skala kolaborasi itu. Di seluruh utas proyek yang terlihat di basis data status Codex lokal, tokens_used yang tercatat berjumlah sekitar 559.9M token. Angka ini mencakup konteks, keluaran alat, efek konteks yang di-cache, penghitungan penalaran/keluaran, dan utas kerja yang tumpang tindih, sehingga sebaiknya dibaca sebagai metrik proses, bukan pengukuran komputasi yang ilmiah.

CCERL dan benchmark publik

Halma tidak memiliki tangga peringkat mesin publik yang matang seperti catur dan Go, sehingga sulit menilai kekuatan dan kemajuan mesin. CCERL mengisi kekosongan itu. CCERL adalah benchmark publik pertama untuk mengevaluasi kekuatan mesin AI Halma. Berdasarkan konsep serupa dari catur dan Go, CCERL menyediakan aturan tetap, posisi awal yang telah diaudit, pertukaran sisi berpasangan, log permainan yang dapat diunduh, dan baseline publik.

Berdasarkan benchmark CCERL, JumpStar tampaknya merupakan mesin AI Halma terkuat di dunia yang tersedia untuk publik, dengan selisih yang besar.

Saya yakin JumpStar telah mencapai kekuatan Halma yang hampir melampaui manusia dalam profil aturan dua pemain, hanya dengan komputasi lokal setingkat MacBook. Yang lebih penting, CCERL memberi semua kontributor di masa depan sebuah target: modifikasi JumpStar, bangun model baru, porting mesin yang sudah ada dengan lebih setia, tambahkan posisi yang lebih baik, atau ajukan penantang dengan wasit yang sama.

Rencana ke Depan

JumpStar tidak dimaksudkan hanya sebagai bot pribadi. Proyek ini berusaha menjadi empat hal:

• Model AI publik yang kuat. JumpStar berlisensi terbuka, dan situs web ini gratis. Siapa pun bisa bermain melawan JumpStar atau mencoba meningkatkannya sendiri. JumpStar sepenuhnya dilatih di sebuah MacBook M4. Komputasi yang lebih besar pasti akan meningkatkan performanya.
• Infrastruktur benchmark publik. Catur dan Go punya komunitas tempat mesin bisa diuji, dibandingkan, dan ditingkatkan. CCERL menghadirkan infrastruktur yang sama untuk Halma: aturan yang jelas, pertandingan yang dapat direproduksi, log publik, dan jalan bagi orang lain untuk membangun model mereka sendiri.
• Riset tentang permainan itu sendiri. AI yang kuat mengubah apa yang bisa kita lihat. Saya ingin memahami seperti apa permainan yang baik, bagaimana pembukaan berkembang, mengapa papan yang padat berperilaku seperti itu, dan apa yang terjadi dalam permainan tiga, empat, dan enam pemain ketika bagian tengah papan menjadi kemacetan penuh kemungkinan.
• Varian multipemain. Model dua pemain hanyalah awal. Pertanyaan yang lebih liar muncul ketika papan semakin padat: tiga pemain, empat pemain, enam pemain, aliansi yang berubah-ubah, jalur yang terblokir, dan pembukaan aneh yang muncul dengan sendirinya. Saya ingin tahu seperti apa permainan yang kuat di sana, dan juga di papan yang jauh lebih besar dari ukuran standar. Kompleksitas dan pola yang muncul pasti akan memukau.

Saya berharap JumpStar mendorong lebih banyak orang untuk memikirkan Halma, memainkannya, mempelajarinya, dan membangun sesuatu di sekitarnya.