IA per la dama cinese

JumpStar è il motore di IA per la dama cinese più forte al mondo

Ora su iPhone JumpStar Dama cinese Gioca offline contro l'IA più forte, risolvi puzzle quotidiani, ricevi suggerimenti e salva i replay. Scarica

Le origini

Ho creato JumpStar per mia madre. Il progetto è nato il 15 maggio 2026 in Indiana, mentre aiutavo i miei genitori a traslocare dalla casa in cui eravamo cresciuti. Mentre impacchettavamo le loro cose, abbiamo ritrovato il nostro vecchio tavoliere della dama cinese e ci siamo messi a ricordare quanto fosse divertente giocare in famiglia.

Quando io e mio fratello siamo partiti per l'università, mia madre aveva provato a cercare app di dama cinese per iPhone per continuare a giocare da sola, ma nessuna era all'altezza. Visti i successi di AlphaGo e Stockfish, pensavo che sicuramente esistessero molti motori di IA open source forti per la dama cinese, e invece no. Nonostante la sua popolarità e la sua eleganza, la dama cinese aveva ricevuto sorprendentemente poca attenzione dalla comunità dell'IA. È questo vuoto che mi ha spinto a creare JumpStar.

Il mio obiettivo era costruire il primo motore di IA sovrumano per la dama cinese. Un avversario forte al computer avrebbe permesso a mia madre di continuare a giocare anche quando io e mio fratello non eravamo vicini. Un motore di IA sovrumano potrebbe persino scoprire nuovi, splendidi schemi e strategie del gioco non ancora molto conosciuti.

È anche per questo che il progetto è diventato pubblico. Un motore privato e forte è interessante, ma per chiunque altro è difficile valutarlo o migliorarlo. Il benchmark pubblico per l'IA della dama cinese trasforma il lavoro in qualcosa di verificabile: un regolamento, un protocollo, una raccolta di posizioni, motori di riferimento, log e un modello JumpStar con un nome preciso che altri sistemi possono sfidare.

La bellezza della dama cinese

La dama cinese è una gara su un tavoliere a forma di stella a sei punte. Ogni giocatore parte con un gruppo di dieci pedine in un triangolo e cerca di portare per primo tutte le sue pedine nel triangolo opposto. Si può giocare in due, tre, quattro o sei. Esistono solo due movimenti, il passo e il salto, e non si possono catturare pedine: è uno dei motivi per cui il tavoliere sembra così vivo. Regole di movimento semplici producono un traffico complesso, mentre i giocatori cercano di costruire catene di salti e di impedire agli avversari di fare lo stesso.

Nonostante il nome, la dama cinese non è nata in Cina e non è davvero una dama. Il gioco viene di solito ricondotto allo Stern-Halma, o Halma a stella, un adattamento tedesco dell'Halma su tavoliere a stella pubblicato nel 1892. Il nome inglese con cui è conosciuto è arrivato più tardi grazie al marketing americano, e da allora è diventato un gioco da tavolo popolare in tutto il mondo.

Come si gioca a dama cinese

Nel tuo turno muovi una delle tue pedine. Una pedina può fare un passo in una casella vicina vuota, oppure saltare una casella adiacente occupata per atterrare nella casella vuota subito dopo. I salti si possono concatenare, quindi una sola mossa può attraversare gran parte del tavoliere se le distanze sono quelle giuste. Le pedine scavalcate restano sul tavoliere. Non vengono catturate.

L'obiettivo è portare tutte le tue pedine nel triangolo direttamente opposto a quello di partenza. Giocare bene non significa solo correre in avanti. Devi costruire scale utili, evitare di bloccare le tue stesse pedine, sfruttare bene il centro affollato e capire quando una mossa che ora sembra lenta creerà più avanti un percorso più veloce.

Per un riferimento mirato, leggi le regole complete della dama cinese. Quando sei pronto a migliorare il tuo gioco, prosegui con la guida a strategia e tattica di JumpStar.

Perché l'IA per la dama cinese è interessante

I giochi da tavolo classici sono al centro dell'IA da decenni. Deep Blue di IBM ha sconfitto il campione del mondo di scacchi Garry Kasparov nel 1997. AlphaGo ha sconfitto Lee Sedol nel 2016. Quei giochi sono diventati delle pietre miliari perché il gioco forte dei computer ha cambiato il modo in cui le persone li comprendevano.

La dama cinese non ha avuto lo stesso ecosistema pubblico di IA. Rispetto agli scacchi e al Go, ci sono molti meno motori, benchmark, classifiche, archivi pubblici di partite e strumenti di ricerca condivisi. È un vuoto sorprendente, perché il gioco ha esattamente il tipo di struttura che i sistemi di IA amano studiare: informazione perfetta, nessuna casualità, una condizione di vittoria chiara e un numero enorme di futuri possibili.

Anche la tranquilla posizione di partenza si ramifica rapidamente. Con le regole a due giocatori di JumpStar, il tavoliere iniziale offre 14 prime mosse valide. Dopo che ciascun giocatore ha mosso una volta, ci sono 196 possibili sequenze di due mosse. A profondità tre, le sequenze di mosse possibili dalla posizione iniziale sono 4.760. Più avanti nella partita, i salti a catena e le corsie affollate rendono le scelte molto meno ovvie di quanto lascino pensare le regole.

Che cos'è JumpStar

JumpStar è un motore per la dama cinese addestrato in self-play e costruito su un nucleo compatto di regole e ricerca in C++20, un modello neurale policy/value e la ricerca ad albero Monte Carlo. Il suo checkpoint pubblico più forte, JumpStar_60, è l'attuale campione del benchmark CCERL-2P10-v2. Il risultato sorprendente è l'efficienza. Tutti i modelli JumpStar sono stati addestrati su un MacBook M4, e non sui grandi cluster di TPU/GPU associati ai sistemi storici di Go e scacchi.

L'ambizione è un gioco sovrumano, ma l'affermazione pubblica è volutamente verificabile: JumpStar sembra essere sovrumano o quasi sovrumano con il profilo di regole a due giocatori, e CCERL esiste proprio perché i motori futuri possano sfidare questo risultato.

Il sistema

JumpStar non è solo un checkpoint di un modello. È un motore completo con un'intera infrastruttura di benchmark: rappresentazione del tavoliere, regole, ricerca, self-play, registri di addestramento, strumenti di arbitraggio e prove pubbliche.

• Regole e ricerca. JumpStar usa una rappresentazione compatta in stile bitmap del tavoliere a stella da 121 caselle, regole rigorose a due giocatori, generazione di passi validi e di mosse a più salti, blocco della meta, controlli di fine partita, hashing deterministico, bot di riferimento e un esecutore nativo di partite. L'implementazione delle regole è volutamente esplicita, perché altrimenti i motori di dama cinese possono sfruttare i casi limite: restare accampati nel triangolo di partenza o in quello di meta, creare blocchi artificiali o vincere grazie a stranezze dell'arbitro invece che giocando meglio. Il profilo di regole di JumpStar punta a premiare una corsa pulita, una geometria forte e una ricerca riproducibile, non i trucchi per aggirare le regole anti-blocco.
• Addestramento in self-play. Il self-play e la rianalisi generano stati del tavoliere, azioni valide, conteggi delle visite MCTS, risultati delle partite e indicatori di avanzamento. Questi registri addestrano un modello policy/value che guida il ciclo di ricerca successivo. JumpStar_60 è un MLP geometry_v1 512x4 con circa 10.36M parametri, addestrato su un dataset rianalizzato di 1.8M esempi. Il lavoro pratico è stato rendere quel ciclo abbastanza piccolo e veloce da poterlo eseguire ripetutamente su hardware locale.
• Benchmark pubblico. Poiché la dama cinese non aveva ancora una classifica pubblica e matura dei motori, ho sviluppato CCERL-2P10-v2 insieme a JumpStar. CCERL definisce il regolamento, il protocollo dei motori, una raccolta di posizioni congelata, i motori di riferimento, gli artefatti di rilascio e la metodologia di valutazione. Il benchmark usa posizioni accoppiate con scambio di colore e pubblica i log, così i risultati sono riproducibili e non semplicemente dichiarati. In questo modo i motori futuri possono sfidare JumpStar con lo stesso arbitro, invece di confrontare vaghe dichiarazioni di forza.

Come gioca JumpStar a dama cinese

Una delle osservazioni qualitative più interessanti è che JumpStar spesso non gioca come una semplice euristica di corsa. Sviluppa invece strategie sofisticate, come rallentare l'avversario, conservare pedine utili per bloccare e costruire formazioni compatte simili a triangoli che limitano il traffico nei corridoi importanti.

Questo stile è facile da non notare se si vede la dama cinese solo come una corsa in avanti. Poiché le pedine non vengono mai catturate, una struttura difensiva può contare per molti turni: può negare una scala di salti, costringere l'avversario ad aggirare la congestione o far guadagnare al modello il tempo necessario per portare a destinazione le proprie pedine. Alcune delle idee più forti di JumpStar potrebbero quindi riguardare il controllo della geometria, e non solo l'avanzare più in fretta.

Il ciclo di ricerca e addestramento

A grandi linee, JumpStar segue lo schema di AlphaZero: il self-play produce obiettivi basati sulle visite MCTS, questi obiettivi addestrano un modello policy/value e il modello più forte guida il ciclo di ricerca successivo.

self-play -> obiettivi dalle visite MCTS -> addestramento policy/value -> ricerca più forte -> self-play

La forza pratica è arrivata rendendo quel ciclo abbastanza economico da poterlo eseguire ripetutamente: worker di self-play nativi in C++, generazione efficiente delle mosse, valutazione delle foglie a batch, trasposizioni, riutilizzo dei sottoalberi, registri compatti e build di release ottimizzate per l'hardware Apple locale.

Gran parte di questa compressione è venuta dall'uso di Codex con GPT-5.5 come partner di implementazione e ricerca. Codex ha aiutato a esaminare il codice, profilare i colli di bottiglia, riscrivere i percorsi critici, analizzare i log di addestramento, preparare le esecuzioni del benchmark e portare avanti più filoni di sperimentazione contemporaneamente. I guadagni più importanti sono stati pratici: forti accelerazioni nel self-play e nella valutazione, riduzioni della memoria di circa il 98% nella pipeline di addestramento così che il lavoro potesse stare sulla mia macchina locale, e abbastanza automazione da continuare a migliorare il motore mentre svolgevo anche il mio lavoro a tempo pieno come CEO di Edia.

Il progetto è andato avanti in modo insolitamente rapido perché il ciclo non era solo il self-play del modello; era anche un ciclo di ingegneria iterativo per il sistema che lo circondava. Codex ha reso possibile lanciare un esperimento, esaminare il modo in cui falliva, ottimizzare il codice, rilanciare il benchmark, riassumere il risultato e trasformare la domanda successiva in una patch concreta. Quel ciclo di feedback ha compresso un lavoro di infrastruttura, strumenti, frontend, benchmark e stesura che altrimenti avrebbe potuto richiedere mesi in circa una settimana, dal ritrovamento del tavoliere al lancio pubblico.

La contabilità locale di Codex dà un'idea approssimativa della portata di questa collaborazione. Nei thread del progetto visibili nel database di stato locale di Codex, il totale registrato di tokens_used è stato di circa 559.9M token. Questi numeri includono contesto, output degli strumenti, effetti del contesto in cache, contabilità di ragionamento e output e thread di lavoro sovrapposti, quindi vanno letti come una metrica di processo e non come una misura scientifica della potenza di calcolo.

CCERL e il benchmark pubblico

La dama cinese non ha una classifica pubblica e matura dei motori come gli scacchi e il Go, e questo rende difficile valutarne la forza e i progressi. CCERL colma questo vuoto. CCERL è il primo benchmark pubblico per valutare la forza dei motori di IA per la dama cinese. Basato su concetti simili a quelli di scacchi e Go, CCERL offre regole fisse, posizioni di partenza verificate, scambi di colore accoppiati, log delle partite scaricabili e motori di riferimento pubblici.

Secondo i benchmark CCERL, JumpStar sembra essere, con ampio margine, il motore di IA per la dama cinese pubblicamente disponibile più forte al mondo.

Credo che JumpStar abbia raggiunto una forza quasi sovrumana alla dama cinese con il profilo di regole a due giocatori, usando la potenza di calcolo di un MacBook locale. Ma soprattutto, CCERL offre a tutti i futuri contributori un obiettivo: modificare JumpStar, costruire un nuovo modello, portare in modo più fedele un motore esistente, aggiungere posizioni migliori o presentare uno sfidante con lo stesso arbitro.

Sviluppi futuri

JumpStar non vuole essere solo un bot privato. Il progetto cerca di diventare quattro cose:

• Un modello di IA pubblico e forte. JumpStar ha una licenza aperta e questo sito è gratuito. Chiunque può giocare contro JumpStar o provare a migliorarlo da sé. JumpStar è stato addestrato interamente su un MacBook M4. Più potenza di calcolo ne migliorerà sicuramente le prestazioni.
• Un'infrastruttura pubblica di benchmark. Scacchi e Go hanno comunità in cui i motori possono essere testati, confrontati e migliorati. CCERL porta la stessa infrastruttura alla dama cinese: regole chiare, partite riproducibili, log pubblici e un percorso che permette ad altri di costruire i propri modelli.
• Ricerca sul gioco stesso. Un'IA forte cambia ciò che riusciamo a vedere. Voglio capire che aspetto ha il buon gioco, come evolvono le aperture, perché i tavolieri affollati si comportano in un certo modo e cosa succede nelle partite a tre, quattro e sei giocatori quando il centro del tavoliere diventa un ingorgo di possibilità.
• Varianti multigiocatore. Il modello a due giocatori è solo l'inizio. Le domande più affascinanti iniziano quando il tavoliere si affolla: tre giocatori, quattro, sei, alleanze mutevoli, percorsi bloccati e strane aperture emergenti. Voglio scoprire che aspetto ha il gioco forte anche lì, e su tavolieri molto più grandi di quello standard. Le complessità e gli schemi che emergeranno saranno ipnotici.

Spero che JumpStar spinga più persone a pensare alla dama cinese, a giocarci, a studiarla e a costruirci qualcosa intorno.