차이니스 체커 AI

JumpStar는 세계에서 가장 강한 차이니스 체커 AI 엔진입니다

이제 iPhone에서 차이니스 체커: JumpStar 가장 강한 AI와 오프라인으로 대국하고, 매일 퍼즐을 풀고, 힌트를 받고, 리플레이를 저장하세요. 다운로드

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 체커의 아름다움

차이니스 체커는 꼭짓점이 여섯 개인 별 모양 보드를 가로지르는 경주입니다. 각 플레이어는 한 삼각형에 말 10개를 놓고 시작해, 모든 말을 반대편 삼각형으로 가장 먼저 옮기려고 합니다. 2명, 3명, 4명 또는 6명이 할 수 있습니다. 움직임은 한 칸 이동과 점프 두 가지뿐이고 말을 잡을 수도 없습니다. 이것이 보드가 그토록 살아 있는 것처럼 느껴지는 이유 중 하나입니다. 플레이어들이 연속 점프 길을 만들고 상대가 같은 일을 하지 못하게 막으려 하면서, 단순한 이동 규칙이 복잡한 교통 흐름을 만들어 냅니다.

이름과 달리 차이니스 체커는 중국에서 생겨난 게임이 아니며, 사실 체커도 아닙니다. 이 게임의 기원은 보통 1892년에 출판된, 할마(Halma)를 별 모양 보드에 맞게 바꾼 독일 게임 슈테른할마(Stern-Halma), 즉 스타 할마로 거슬러 올라갑니다. 익숙한 영어 이름은 나중에 미국의 마케팅을 통해 붙여졌고, 이후 전 세계적으로 사랑받는 보드게임이 되었습니다.

차이니스 체커 하는 법

자기 차례에는 내 말 하나를 움직입니다. 말은 이웃한 빈칸으로 한 칸 이동하거나, 말이 있는 이웃 칸을 뛰어넘어 그 너머의 빈칸으로 점프할 수 있습니다. 점프는 연속으로 이어 갈 수 있어서, 간격만 맞으면 한 수로 보드의 상당 부분을 가로지를 수도 있습니다. 뛰어넘은 말은 잡히지 않고 보드에 그대로 남습니다.

목표는 내 모든 말을 출발 삼각형의 정반대편 삼각형으로 옮기는 것입니다. 좋은 플레이는 무작정 앞으로 달려 나가는 것만이 아닙니다. 쓸모 있는 사다리를 만들고, 내 말끼리 길을 막지 않도록 하고, 붐비는 중앙을 잘 활용하며, 지금은 느려 보이는 수가 나중에 더 빠른 길을 만들어 줄지 판단해야 합니다.

규칙만 따로 정리한 자료는 차이니스 체커 전체 규칙을 읽어 보세요. 실력을 키울 준비가 되었다면 JumpStar 전략 및 전술 가이드로 이어 가세요.

차이니스 체커 AI가 흥미로운 이유

고전 보드게임은 수십 년 동안 AI의 중심에 있었습니다. 1997년 IBM의 Deep Blue는 체스 세계 챔피언 가리 카스파로프를 꺾었습니다. 2016년에는 AlphaGo가 이세돌 9단을 이겼습니다. 강한 컴퓨터 플레이가 사람들이 그 게임을 이해하는 방식을 바꿔 놓았기 때문에 이 게임들은 이정표가 되었습니다.

차이니스 체커에는 그런 공개 AI 생태계가 없었습니다. 체스나 바둑에 비해 엔진, 벤치마크, 레이팅 목록, 공개 기보, 공유 연구 도구가 훨씬 적습니다. 이 게임이 AI 시스템이 연구하기 좋아하는 구조를 정확히 갖추고 있다는 점을 생각하면 의외의 일입니다. 완전 정보, 무작위성 없음, 명확한 승리 조건, 그리고 엄청나게 많은 미래의 가능성이 있으니까요.

조용해 보이는 시작 국면조차 빠르게 갈래가 나뉩니다. JumpStar의 2인 규칙 세트에서 시작 보드에는 둘 수 있는 첫 수가 14가지 있습니다. 양쪽이 한 번씩 두고 나면 가능한 2수 진행은 196가지입니다. 3수까지 가면 시작 국면에서 가능한 진행이 4,760가지가 됩니다. 게임 후반으로 갈수록 연속 점프와 붐비는 길 때문에, 규칙만 보고 생각하는 것보다 선택이 훨씬 덜 명확해집니다.

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. 놀라운 점은 효율성입니다. 모든 JumpStar 모델은 바둑과 체스의 이정표가 된 시스템들이 사용한 대규모 TPU/GPU 클러스터가 아니라 MacBook M4 한 대에서 학습되었습니다.

목표는 초인적인 플레이이지만, 공개적인 주장은 일부러 검증 가능하게 제시합니다. JumpStar는 2인 규칙 프로필에서 초인적이거나 그에 가까운 수준으로 보이며, CCERL은 앞으로의 엔진들이 이 결과에 도전할 수 있도록 존재합니다.

시스템

JumpStar는 단순한 모델 체크포인트가 아닙니다. 보드 표현, 규칙, 탐색, 셀프 플레이, 학습 기록, 심판 도구, 공개 증거까지 갖춘 완전한 엔진 및 벤치마크 스택입니다.

• 규칙과 탐색. JumpStar는 121칸 별 모양 보드의 간결한 비트맵 방식 표현, 엄격한 2인 규칙, 한 칸 이동과 다중 점프 수 생성, 목표 진영 고정, 종료 판정, 결정적 해싱, 기준 봇, 네이티브 대국 실행기를 사용합니다. 규칙 구현을 일부러 명시적으로 만든 이유는, 그렇지 않으면 차이니스 체커 엔진이 예외적인 상황을 악용할 수 있기 때문입니다. 출발 진영이나 목표 진영에 눌러앉거나, 인위적으로 길을 봉쇄하거나, 더 나은 플레이가 아니라 심판의 허점으로 이기는 식입니다. JumpStar의 규칙 프로필은 길막기 꼼수가 아니라 깔끔한 경주, 강한 기하학적 감각, 재현 가능한 탐색에 보상하도록 설계되었습니다.
• 셀프 플레이 학습. 셀프 플레이와 재분석을 통해 보드 상태, 가능한 수, MCTS 방문 횟수, 게임 결과, 진행도 특징을 생성합니다. 이 기록으로 정책/가치 모델을 학습시키고, 그 모델이 다음 탐색을 이끕니다. JumpStar_60은 약 10.36M개의 파라미터를 가진 geometry_v1, 512x4 MLP로, 1.8M개 예제의 재분석 데이터셋으로 학습되었습니다. 실질적인 작업은 이 루프를 로컬 하드웨어에서 반복해서 돌릴 수 있을 만큼 작고 빠르게 만드는 것이었습니다.
• 공개 벤치마크. 차이니스 체커에는 성숙한 공개 엔진 순위표가 없었기 때문에, 저는 JumpStar와 함께 CCERL-2P10-v2를 개발했습니다. CCERL은 규칙 세트, 엔진 프로토콜, 고정된 국면 모음, 기준 엔진, 릴리스 산출물, 레이팅 방법론을 정의합니다. 벤치마크는 선후를 바꾼 쌍으로 국면을 사용하고 로그를 공개하므로, 결과는 단순히 주장되는 것이 아니라 재현할 수 있습니다. 덕분에 앞으로의 엔진들은 막연한 실력 주장을 비교하는 대신, 같은 심판 아래에서 JumpStar에 도전할 수 있습니다.

JumpStar는 차이니스 체커를 어떻게 두는가

가장 흥미로운 정성적 관찰 중 하나는 JumpStar가 단순히 빨리 달리는 휴리스틱처럼 두지 않는 경우가 많다는 것입니다. 오히려 상대의 속도를 늦추고, 쓸모 있는 방어 말을 남겨 두고, 중요한 통로의 흐름을 막는 촘촘한 삼각형 대형을 만드는 등 정교한 전략을 펼칩니다.

차이니스 체커를 앞으로 나아가는 경주로만 보면 이런 스타일을 놓치기 쉽습니다. 말이 잡히는 일이 없기 때문에 방어 형태는 여러 차례 동안 영향을 미칩니다. 점프 사다리를 막거나, 상대가 혼잡한 곳을 돌아가게 만들거나, 모델 자신의 말이 목표 진영에 들어갈 시간을 벌어 줍니다. 그래서 JumpStar의 가장 강한 아이디어 중 일부는 단순히 더 빨리 나아가는 것이 아니라 기하학적 구조를 장악하는 것일지도 모릅니다.

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.