JumpStar ialah enjin AI Dam Cina terkuat di dunia
Asal usul
Saya membina JumpStar untuk ibu saya. Projek ini bermula pada 15 Mei 2026 di Indiana, ketika saya membantu ibu bapa saya berpindah keluar dari rumah tempat kami membesar. Semasa mengemas barang-barang mereka, kami menjumpai papan Dam Cina lama kami dan mula mengimbau betapa seronoknya bermain bersama sekeluarga.
Selepas saya dan abang saya pergi ke kolej, ibu saya pernah cuba mencari apl Dam Cina untuk iPhone supaya dia boleh terus bermain seorang diri, tetapi tiada satu pun yang bagus. Melihat kejayaan AlphaGo dan Stockfish, saya sangka pasti ada banyak enjin AI sumber terbuka yang kuat untuk Dam Cina, tetapi ternyata tiada. Walaupun popular dan elegan, Dam Cina mendapat perhatian yang sangat sedikit daripada komuniti AI. Kekosongan itulah yang mendorong saya membina JumpStar.
Matlamat saya ialah membina enjin AI Dam Cina pertama yang mengatasi kebolehan manusia. Pemain komputer yang kuat membolehkan ibu saya terus bermain walaupun saya dan abang saya tiada berdekatan. Enjin AI yang mengatasi manusia mungkin juga dapat menemui corak dan strategi baharu yang indah dalam permainan ini, yang belum diketahui ramai.
Itu juga sebabnya projek ini dibuka kepada umum. Enjin persendirian yang kuat memang menarik, tetapi sukar untuk orang lain menilai atau menambah baiknya. Penanda aras awam AI Dam Cina menjadikan kerja ini sesuatu yang boleh diperiksa: satu set peraturan, satu protokol, satu set kedudukan, garis asas, log dan model JumpStar bernama yang boleh dicabar oleh sistem lain.
Mengapa AI Dam Cina menarik
Catur dan Go mempunyai berdekad-dekad kerja AI awam di belakangnya: enjin, penanda aras, senarai penarafan dan rekod permainan yang dikongsi. Dam Cina hampir tiada semua itu, walaupun ia jenis permainan yang sesuai dikaji oleh AI. Tiada maklumat tersembunyi, tiada unsur nasib, dan cara untuk menang jelas.
Ia juga cepat menjadi rumit. Dalam peraturan dua pemain JumpStar, terdapat 14 gerakan pertama yang sah, 196 kemungkinan bagi dua gerakan pertama dan 4,760 menjelang gerakan ketiga. Kemudian, lompatan berantai dan lorong yang sesak menjadikan gerakan yang baik jauh lebih sukar dilihat berbanding yang disangka apabila membaca peraturannya.
Apa itu JumpStar
JumpStar ialah enjin Dam Cina yang dilatih melalui main sendiri (self-play), dibina di atas teras peraturan/carian C++20 yang padat, model dasar/nilai rangkaian neural dan carian pepohon Monte Carlo. Checkpoint awam terkuatnya, JumpStar_60, ialah juara penanda aras CCERL-2P10-v2 semasa. Setiap model JumpStar dilatih pada sebuah MacBook M4, bukan pada kluster GPU besar yang digunakan oleh enjin catur dan Go yang terkenal.
Matlamatnya ialah permainan yang mengatasi manusia, dan dakwaan itu memang untuk diuji. Di bawah peraturan dua pemain, JumpStar nampak sudah mengatasi manusia atau hampir, dan CCERL membolehkan mana-mana enjin masa depan mencabarnya.
Sistemnya
JumpStar ialah enjin dan penanda aras yang lengkap, bukan sekadar model terlatih.
- Peraturan dan carian. Model padat papan 121 lubang dengan peraturan dua pemain yang ketat, penjanaan gerakan pantas untuk langkah dan rantai lompatan, serta pengendali perlawanan. Peraturannya sengaja dibuat jelas, supaya enjin tidak boleh menang dengan berkubu dalam segi tiga atau mengambil kesempatan atas kelemahan pengadil.
- Latihan main sendiri. JumpStar bermain melawan dirinya sendiri, dan permainan itu melatih model dasar/nilai yang membimbing pusingan carian seterusnya.
JumpStar_60ialah rangkaian512x4dengan lebih kurang10.36Mparameter, dilatih pada1.8Mkedudukan yang dianalisis semula. - Penanda aras awam. Tiada senarai kedudukan enjin awam untuk Dam Cina, jadi saya membina
CCERL-2P10-v2bersama JumpStar. Ia menetapkan peraturan, protokol enjin, satu set kedudukan permulaan yang tetap, enjin garis asas dan cara penarafan dikira, serta menerbitkan setiap log permainan supaya keputusan boleh disemak.
Cara JumpStar Bermain Dam Cina
JumpStar selalunya bukan sekadar berlumba. Ia melambatkan lawan, mengekalkan buah penghalang yang berguna di tempatnya, dan membina bentuk segi tiga yang padat sehingga bahagian tengah papan sukar dilompati.
Oleh sebab buah tidak pernah dimakan, bentuk pertahanan boleh kekal selama banyak giliran. Ia boleh menutup laluan lompatan, memaksa lawan mengambil jalan jauh, dan memberi masa kepada buah JumpStar sendiri untuk sampai ke destinasi.
Corak Pembukaan yang Menang
| # | Pemain | Jenis |
|---|
Kitaran carian dan latihan
Secara umum, JumpStar mengikut corak AlphaZero: main sendiri menghasilkan sasaran lawatan MCTS, sasaran itu melatih model dasar/nilai, dan model yang lebih kuat membimbing pusingan carian seterusnya.
self-play -> MCTS visit targets -> policy/value training -> stronger search -> self-play
Kekuatan praktikalnya datang daripada menjadikan kitaran itu cukup murah untuk dijalankan berulang kali: pekerja main sendiri C++ asli, penjanaan gerakan yang cekap, penilaian daun secara berkelompok, transposisi, penggunaan semula subpepohon, rekod yang padat dan binaan keluaran yang ditala untuk perkakasan Apple tempatan.
Sebahagian besar pemampatan masa itu datang daripada penggunaan Codex dengan GPT-5.5 sebagai rakan pelaksanaan dan penyelidikan. Codex membantu memeriksa pangkalan kod, memprofil kesesakan prestasi, menulis semula laluan panas, menganalisis log latihan, membungkus larian penanda aras dan memastikan beberapa urutan eksperimen bergerak serentak. Keuntungan paling penting bersifat praktikal: peningkatan kelajuan yang besar dalam main sendiri dan penilaian, pengurangan memori kira-kira 98% dalam laluan latihan supaya kerja ini muat pada mesin tempatan saya, dan automasi yang cukup untuk terus menambah baik enjin sementara saya juga menjalankan kerja sepenuh masa sebagai CEO Edia.
Projek ini bergerak luar biasa pantas kerana kitaran itu bukan sahaja main sendiri untuk model; ia juga kitaran kejuruteraan berulang untuk sistem di sekelilingnya. Codex membolehkan saya menjalankan eksperimen, memeriksa punca kegagalan, mengoptimumkan kod, menjalankan semula penanda aras, merumuskan keputusan dan menukar soalan seterusnya menjadi tampalan yang konkrit. Kitaran maklum balas itu memampatkan kerja yang mungkin memakan masa berbulan-bulan untuk infrastruktur, peralatan, bahagian hadapan, penanda aras dan penulisan menjadi kira-kira seminggu, daripada penemuan papan lama itu hingga pelancaran awam.
Perakaunan Codex tempatan memberi gambaran kasar tentang skala kerjasama itu. Merentasi urutan projek yang kelihatan dalam pangkalan data keadaan Codex tempatan, tokens_used yang direkodkan berjumlah kira-kira 559.9M token. Angka ini termasuk konteks, output alat, kesan konteks yang dicache, perakaunan penaakulan/output dan urutan kerja yang bertindih, jadi ia patut dibaca sebagai metrik proses dan bukan ukuran saintifik bagi pengkomputeran.
CCERL dan penanda aras awam
Dam Cina tidak mempunyai tangga enjin awam yang matang seperti catur dan Go, menyebabkan kekuatan dan kemajuan enjin sukar dinilai. CCERL mengisi kekosongan itu. CCERL ialah penanda aras awam pertama untuk menilai kekuatan enjin AI Dam Cina. Berdasarkan konsep serupa daripada catur dan Go, CCERL menyediakan peraturan tetap, kedudukan permulaan yang telah diaudit, pertukaran pihak secara berpasangan, log permainan yang boleh dimuat turun dan garis asas awam.
Berdasarkan penanda aras CCERL, JumpStar nampaknya merupakan enjin AI Dam Cina terkuat di dunia yang tersedia secara awam, dengan jurang yang besar.
Saya percaya JumpStar telah mencapai kekuatan Dam Cina yang hampir mengatasi manusia di bawah profil peraturan dua pemain, dengan hanya menggunakan pengkomputeran tempatan setaraf MacBook. Lebih penting lagi, CCERL memberi semua penyumbang masa depan satu sasaran: ubah suai JumpStar, bina model baharu, pindahkan enjin sedia ada dengan lebih tepat, tambah kedudukan yang lebih baik, atau hantar pencabar di bawah pengadil yang sama.
Kerja Masa Depan
JumpStar bukan bertujuan menjadi bot persendirian semata-mata. Projek ini cuba menjadi empat perkara:
- Model AI awam yang kuat. JumpStar berlesen terbuka, dan laman web ini percuma. Sesiapa sahaja boleh bermain menentang JumpStar atau cuba menambah baiknya sendiri. JumpStar dilatih sepenuhnya pada sebuah MacBook M4. Lebih banyak kuasa pengkomputeran pasti akan meningkatkan prestasinya.
- Infrastruktur penanda aras awam. Catur dan Go mempunyai komuniti tempat enjin boleh diuji, dibandingkan dan ditambah baik. CCERL membawa infrastruktur yang sama kepada Dam Cina: peraturan yang jelas, perlawanan yang boleh dihasilkan semula, log awam dan jalan bagi orang lain untuk membina model mereka sendiri.
- Penyelidikan tentang permainan itu sendiri. AI yang kuat mengubah apa yang dapat kita lihat. Saya ingin memahami rupa permainan yang baik, bagaimana pembukaan berkembang, mengapa papan yang sesak berkelakuan sedemikian, dan apa yang berlaku dalam permainan tiga, empat dan enam pemain apabila bahagian tengah papan menjadi kesesakan yang penuh kemungkinan.
- Varian berbilang pemain. Model dua pemain hanyalah permulaan. Persoalan yang lebih liar bermula apabila papan menjadi lebih sesak: tiga pemain, empat pemain, enam pemain, pakatan yang berubah-ubah, laluan yang tersekat dan pembukaan pelik yang timbul dengan sendirinya. Saya ingin mengetahui rupa permainan yang kuat di sana juga, dan pada papan yang jauh lebih besar daripada saiz standard. Kerumitan dan corak yang muncul pasti akan memukau.
Saya berharap JumpStar menggalakkan lebih ramai orang untuk memikirkan Dam Cina, memainkannya, mengkajinya dan membina sesuatu di sekelilingnya.