JumpStar는 세계에서 가장 강한 차이니스 체커 AI 엔진입니다
시작
저는 엄마를 위해 JumpStar를 만들었습니다. 이 프로젝트는 2026년 5월 15일, 인디애나에서 부모님이 제가 자란 집에서 이사하는 것을 돕던 중에 시작되었습니다. 짐을 싸다가 오래된 차이니스 체커 보드를 발견했고, 가족끼리 함께 하던 게임이 얼마나 재미있었는지 추억에 잠겼습니다.
형과 제가 대학에 가고 난 뒤, 엄마는 혼자서도 계속 즐길 수 있도록 차이니스 체커 iPhone 앱을 찾아보셨지만 쓸 만한 것이 하나도 없었습니다. AlphaGo와 Stockfish의 성공을 생각하면 차이니스 체커에도 강력한 오픈 소스 AI 엔진이 분명 많을 거라고 생각했지만, 그렇지 않았습니다. 인기와 우아함에도 불구하고 차이니스 체커는 AI 커뮤니티에서 놀라울 만큼 주목받지 못했습니다. 바로 그 빈자리가 제가 JumpStar를 만들게 된 이유입니다.
제 목표는 차이니스 체커 최초의 초인적인 AI 엔진을 만드는 것이었습니다. 강한 컴퓨터 상대가 있다면 형과 제가 곁에 없을 때도 엄마가 계속 게임을 즐기실 수 있습니다. 초인적인 AI 엔진이라면 아직 널리 알려지지 않은 아름다운 새 패턴과 전략을 발견할지도 모릅니다.
그래서 이 프로젝트를 공개하게 되었습니다. 비공개로 둔 강한 엔진은 흥미롭지만, 다른 사람이 평가하거나 개선하기 어렵습니다. 공개 차이니스 체커 AI 벤치마크는 이 작업을 누구나 검증할 수 있는 형태로 만듭니다. 규칙 세트, 프로토콜, 국면 모음, 기준 엔진, 로그, 그리고 다른 시스템이 도전할 수 있는 이름 붙은 JumpStar 모델이 모두 공개되어 있습니다.
차이니스 체커 AI가 흥미로운 이유
체스와 바둑에는 엔진, 벤치마크, 레이팅 목록, 공유된 기보 같은 공개 AI 작업이 수십 년 동안 쌓여 있습니다. 차이니스 체커에는 그런 것이 거의 없습니다. AI가 연구하기 좋은 종류의 게임인데도 말입니다. 숨겨진 정보도, 운도 없고, 이기는 방법도 분명합니다.
게다가 금방 복잡해집니다. JumpStar의 2인 규칙에서 둘 수 있는 첫 수는 14가지, 처음 두 수가 진행될 수 있는 경우는 196가지, 세 번째 수까지는 4,760가지입니다. 게임 후반에는 연속 점프와 붐비는 길 때문에, 규칙만 보고 생각하는 것보다 좋은 수가 훨씬 잘 보이지 않습니다.
JumpStar란
JumpStar는 셀프 플레이로 학습한 차이니스 체커 엔진으로, 간결한 C++20 규칙/탐색 코어, 신경망 정책/가치 모델, 몬테카를로 트리 탐색으로 이루어져 있습니다. 가장 강한 공개 체크포인트인 JumpStar_60은 현재 CCERL-2P10-v2 벤치마크 챔피언입니다. 모든 JumpStar 모델은 유명한 체스와 바둑 엔진 뒤에 있는 대규모 GPU 클러스터가 아니라 MacBook M4 한 대에서 학습되었습니다.
목표는 초인적인 플레이이고, 그 주장은 검증할 수 있게 내놓았습니다. JumpStar는 2인 규칙에서 초인적이거나 그에 가까운 수준으로 보이며, 앞으로 어떤 엔진이든 CCERL로 여기에 도전할 수 있습니다.
시스템
JumpStar는 학습된 모델만이 아니라 엔진과 벤치마크까지 모두 갖춘 시스템입니다.
- 규칙과 탐색. 121칸 보드를 간결하게 표현하고, 엄격한 2인 규칙, 한 칸 이동과 다중 점프의 빠른 수 생성, 대국 실행기를 갖추고 있습니다. 규칙을 일부러 명시적으로 만든 것은 엔진이 삼각형에 눌러앉거나 심판의 허점을 파고들어 이기지 못하게 하기 위해서입니다.
- 셀프 플레이 학습. JumpStar는 자기 자신과 대국하고, 그 게임들로 정책/가치 모델을 학습시킵니다. 이 모델이 다음 탐색을 이끕니다.
JumpStar_60은 파라미터가 약10.36M개인512x4네트워크로, 재분석한 국면1.8M개로 학습되었습니다. - 공개 벤치마크. 차이니스 체커에는 공개된 엔진 순위표가 없어서, JumpStar와 함께
CCERL-2P10-v2를 만들었습니다. 규칙, 엔진 프로토콜, 고정된 시작 국면 모음, 기준 엔진, 레이팅 계산 방법을 정해 두었고, 결과를 확인할 수 있도록 모든 게임 로그를 공개합니다.
JumpStar는 차이니스 체커를 어떻게 두는가
JumpStar는 단순히 빨리 달리기만 하지 않는 경우가 많습니다. 상대의 속도를 늦추고, 쓸모 있는 길막기 말을 제자리에 두고, 촘촘한 삼각형 모양을 만들어 보드 가운데를 점프로 지나가기 어렵게 만듭니다.
말이 잡히는 일이 없기 때문에 방어 형태는 여러 차례 동안 유지될 수 있습니다. 점프 경로를 빼앗고, 상대가 돌아가게 만들고, JumpStar 자신의 말이 목표 진영에 들어갈 시간을 벌어 줍니다.
승리하는 오프닝 패턴
| # | 플레이어 | 종류 |
|---|
탐색과 학습 루프
큰 틀에서 JumpStar는 AlphaZero 방식을 따릅니다. 셀프 플레이가 MCTS 방문 목표값을 만들고, 그 목표값으로 정책/가치 모델을 학습시키며, 더 강해진 모델이 다음 탐색을 이끕니다.
셀프 플레이 -> MCTS 방문 목표값 -> 정책/가치 학습 -> 더 강한 탐색 -> 셀프 플레이
실질적인 강함은 이 루프를 반복해서 돌릴 수 있을 만큼 가볍게 만든 데서 나왔습니다. 네이티브 C++ 셀프 플레이 워커, 효율적인 수 생성, 배치 단위 리프 평가, 트랜스포지션, 서브트리 재사용, 간결한 기록, 로컬 Apple 하드웨어에 맞춘 릴리스 빌드 등입니다.
이렇게 작업 기간을 크게 줄일 수 있었던 중요한 이유는 GPT-5.5 기반 Codex를 구현 및 연구 파트너로 활용한 데 있습니다. Codex는 코드베이스를 살펴보고, 병목을 프로파일링하고, 핵심 경로를 다시 작성하고, 학습 로그를 분석하고, 벤치마크 실행을 패키징하고, 여러 실험을 동시에 진행하도록 도와주었습니다. 가장 중요한 성과는 실용적인 것이었습니다. 셀프 플레이와 평가 속도가 크게 빨라졌고, 학습 경로의 메모리 사용량을 약 98% 줄여 제 로컬 머신에서 돌릴 수 있게 되었으며, Edia의 CEO로 본업을 하는 동안에도 엔진을 계속 개선할 수 있을 만큼 자동화가 이루어졌습니다.
이 프로젝트가 유난히 빠르게 진행된 것은, 이 루프가 모델의 셀프 플레이일 뿐만 아니라 그것을 둘러싼 시스템의 반복적인 엔지니어링 루프이기도 했기 때문입니다. Codex 덕분에 실험을 돌리고, 실패 원인을 살피고, 코드를 최적화하고, 벤치마크를 다시 돌리고, 결과를 요약하고, 다음 질문을 구체적인 패치로 바꾸는 과정을 빠르게 반복할 수 있었습니다. 이 피드백 주기 덕분에 인프라, 도구, 프론트엔드, 벤치마크, 글쓰기에 몇 달은 걸렸을 작업이 보드를 처음 발견한 날부터 공개 출시까지 약 일주일로 압축되었습니다.
로컬 Codex 사용량 기록을 보면 이 협업의 규모를 대략 짐작할 수 있습니다. 로컬 Codex 상태 데이터베이스에서 확인되는 프로젝트 스레드 전체에 걸쳐 기록된 tokens_used는 약 559.9M 토큰입니다. 이 수치에는 컨텍스트, 도구 출력, 캐시된 컨텍스트의 영향, 추론/출력 집계, 겹치는 작업 스레드가 포함되어 있으므로, 연산량에 대한 과학적 측정이 아니라 작업 과정의 지표로 보아야 합니다.
CCERL과 공개 벤치마크
차이니스 체커에는 체스나 바둑 같은 성숙한 공개 엔진 순위표가 없어서 엔진의 실력과 발전을 평가하기 어렵습니다. CCERL이 그 빈자리를 채웁니다. CCERL은 차이니스 체커 AI 엔진의 실력을 평가하는 최초의 공개 벤치마크입니다. 체스와 바둑의 비슷한 개념을 바탕으로, 고정된 규칙, 검증된 시작 국면, 선후를 바꾼 쌍 대국, 내려받을 수 있는 게임 로그, 공개 기준 엔진을 제공합니다.
CCERL 벤치마크에 따르면, JumpStar는 공개된 차이니스 체커 AI 엔진 가운데 큰 격차로 세계에서 가장 강한 것으로 보입니다.
저는 JumpStar가 로컬 MacBook 수준의 연산만으로, 2인 규칙 프로필에서 초인에 가까운 차이니스 체커 실력에 도달했다고 믿습니다. 더 중요한 것은 CCERL이 앞으로의 모든 기여자에게 목표를 제시한다는 점입니다. JumpStar를 수정하거나, 새 모델을 만들거나, 기존 엔진을 더 충실하게 이식하거나, 더 좋은 국면을 추가하거나, 같은 심판 아래에서 도전자를 제출할 수 있습니다.
앞으로의 계획
JumpStar는 그저 개인용 봇으로 끝날 생각이 없습니다. 이 프로젝트는 다음과 같은 것이 되고자 합니다.
- 강력한 공개 AI 모델. JumpStar는 오픈 라이선스이고, 이 웹사이트는 무료입니다. 누구나 JumpStar와 대국하거나 직접 개선해 볼 수 있습니다. JumpStar는 전적으로 MacBook M4 한 대에서 학습되었습니다. 연산 자원이 더 많아지면 성능은 분명 더 좋아질 것입니다.
- 공개 벤치마크 인프라. 체스와 바둑에는 엔진을 시험하고, 비교하고, 개선할 수 있는 커뮤니티가 있습니다. CCERL은 같은 인프라를 차이니스 체커에 가져옵니다. 명확한 규칙, 재현 가능한 대국, 공개 로그, 그리고 다른 사람들이 자신만의 모델을 만들 수 있는 길입니다.
- 게임 자체에 대한 연구. 강한 AI는 우리가 볼 수 있는 것을 바꿉니다. 저는 좋은 플레이가 어떤 모습인지, 오프닝이 어떻게 발전하는지, 붐비는 보드가 왜 그렇게 움직이는지, 그리고 보드 가운데가 가능성의 교통 체증이 되는 3인, 4인, 6인 게임에서는 무슨 일이 일어나는지 이해하고 싶습니다.
- 다인 변형 게임. 2인 모델은 시작일 뿐입니다. 더 흥미로운 질문은 보드가 붐빌 때 시작됩니다. 3인, 4인, 6인 게임, 바뀌는 동맹, 막힌 길, 그리고 예상치 못하게 나타나는 기묘한 오프닝들입니다. 그런 게임은 물론, 표준보다 훨씬 큰 보드에서도 강한 플레이가 어떤 모습인지 알아보고 싶습니다. 그곳에서 나타날 복잡성과 패턴은 분명 넋을 잃게 만들 것입니다.
JumpStar를 계기로 더 많은 사람들이 차이니스 체커에 대해 생각하고, 즐기고, 연구하고, 그 위에 무언가를 만들어 가기를 바랍니다.