Dama cinese JumpStar

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

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.

Perché l'IA per la dama cinese è interessante

Dietro scacchi e Go ci sono decenni di lavoro pubblico sull'IA, con motori, benchmark, classifiche e archivi di partite condivisi. La dama cinese ne ha pochissimo, anche se è proprio il tipo di gioco che l'IA sa studiare bene. Non ci sono informazioni nascoste né fortuna, e il modo di vincere è chiaro.

E diventa complicata in fretta. Con le regole a due giocatori di JumpStar ci sono 14 prime mosse valide, 196 modi in cui possono andare le prime due mosse e 4.760 alla terza. Più avanti, i salti a catena e le corsie affollate rendono le buone mosse molto più difficili da vedere 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. Ogni modello JumpStar è stato addestrato su un MacBook M4, non sui grandi cluster di GPU che stanno dietro ai famosi motori di scacchi e Go.

L'obiettivo è un gioco sovrumano, e l'affermazione è fatta apposta per essere verificata. Con le regole a due giocatori JumpStar sembra sovrumano o quasi, e CCERL permette a qualsiasi motore futuro di sfidarlo.

Il sistema

JumpStar è un motore completo con il suo benchmark, non solo un modello addestrato.

  • Regole e ricerca. Un modello compatto del tavoliere da 121 caselle con regole rigorose a due giocatori, una generazione veloce delle mosse per passi e catene di salti, e un esecutore di partite. Le regole sono esplicite di proposito, così un motore non può vincere restando accampato in un triangolo o sfruttando una stranezza dell'arbitro.
  • Addestramento in self-play. JumpStar gioca contro sé stesso, e quelle partite addestrano un modello policy/value che guida il ciclo di ricerca successivo. JumpStar_60 è una rete 512x4 che ha circa 10.36M parametri, addestrata su 1.8M posizioni rianalizzate.
  • Benchmark pubblico. Non esisteva una classifica pubblica dei motori per la dama cinese, quindi ho costruito CCERL-2P10-v2 insieme a JumpStar. Definisce le regole, il protocollo dei motori, un insieme fisso di posizioni di partenza, i motori di riferimento e il modo in cui si calcolano i punteggi, e pubblica il log di ogni partita perché i risultati si possano verificare.

Come gioca JumpStar a dama cinese

Spesso JumpStar non si limita a correre. Rallenta l'avversario, tiene al loro posto le pedine utili per bloccare e costruisce forme compatte a triangolo che rendono difficile saltare attraverso il centro del tavoliere.

Poiché le pedine non vengono mai catturate, una struttura difensiva può durare molti turni. Può togliere all'avversario una via di salti, costringerlo a girare intorno e far guadagnare a JumpStar il tempo per portare a casa le proprie pedine.

Schema d'apertura vincente

Replay dell'apertura vincente Una sequenza di apertura di otto mosse con il salto finale del giocatore 2 evidenziato.
# Giocatore Tipo
La formazione difensiva a triangolo di JumpStar Una posizione da una partita reale in cui JumpStar forma una struttura centrale che scoraggia i salti attraverso il centro e spinge le pedine avversarie verso l'esterno.
Chiudi il centro. JumpStar forma spesso due fronti compatti simili a triangoli che rendono scomodo saltare attraverso le corsie centrali, spingendo le pedine avversarie verso l'esterno.
Una lunga catena di JumpStar nel finale Una posizione da una partita reale in cui JumpStar distanzia le pedine per formare una lunga catena di salti verso la meta opposta.
Concretizza con le catene. Più avanti, lo stesso istinto per le distanze crea lunghe scale che portano a casa in modo efficiente le pedine rimaste indietro.

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.