AI Dam Cina

JumpStar ialah enjin AI Dam Cina terkuat di dunia

Kini di iPhone Dam Cina: JumpStar Lawan AI terkuat di luar talian, selesaikan teka-teki harian, dapatkan pembayang dan simpan main semula. Muat turun

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.

Keindahan Dam Cina

Dam Cina ialah perlumbaan merentasi papan berbentuk bintang enam bucu. Setiap pemain bermula dengan sekumpulan sepuluh buah di satu segi tiga dan cuba menjadi yang pertama memindahkan semua buahnya ke segi tiga bertentangan. Permainan ini boleh dimainkan oleh dua, tiga, empat atau enam pemain. Hanya ada dua jenis gerakan, iaitu melangkah dan melompat, dan tiada peluang untuk memakan buah. Itulah salah satu sebab papan ini terasa begitu hidup: peraturan gerakan yang ringkas menghasilkan "lalu lintas" yang rumit apabila pemain cuba membina lompatan berantai sambil menghalang lawan daripada melakukan perkara yang sama.

Walaupun namanya begitu, Dam Cina tidak berasal dari China, dan sebenarnya bukan pun permainan dam. Asal usulnya biasanya dikesan kepada Stern-Halma, atau Star Halma, iaitu adaptasi Halma berpapan bintang dari Jerman yang diterbitkan pada tahun 1892. Nama Inggerisnya yang biasa dikenali muncul kemudian melalui pemasaran di Amerika, dan sejak itu ia menjadi permainan papan yang popular di seluruh dunia.

Cara bermain Dam Cina

Pada giliran anda, gerakkan salah satu buah anda. Buah boleh melangkah ke lubang kosong yang bersebelahan, atau melompati lubang berisi yang bersebelahan dan mendarat di lubang kosong di sebaliknya. Lompatan boleh dirangkaikan, jadi satu gerakan boleh merentasi sebahagian besar papan jika jaraknya sesuai. Buah yang dilompati kekal di atas papan. Ia tidak dimakan.

Matlamatnya ialah memindahkan semua buah anda ke segi tiga yang betul-betul bertentangan dengan segi tiga permulaan anda. Bermain dengan baik bukan sekadar meluru ke hadapan. Anda perlu membina tangga yang berguna, mengelak daripada menghalang buah sendiri, menggunakan bahagian tengah yang sesak dengan baik dan menentukan bila gerakan yang nampak perlahan sekarang akan membuka laluan yang lebih pantas kemudian.

Untuk rujukan yang ringkas, baca peraturan lengkap Dam Cina. Apabila anda bersedia untuk meningkatkan permainan, teruskan dengan panduan strategi dan taktik JumpStar.

Mengapa AI Dam Cina menarik

Permainan papan klasik telah menjadi teras AI selama berdekad-dekad. Deep Blue milik IBM mengalahkan juara catur dunia Garry Kasparov pada tahun 1997. AlphaGo mengalahkan Lee Sedol pada tahun 2016. Permainan-permainan itu menjadi mercu tanda kerana permainan komputer yang kuat mengubah cara orang memahaminya.

Dam Cina belum mempunyai ekosistem AI awam yang sama. Berbanding catur dan Go, jumlah enjin, penanda aras, senarai penarafan, rekod permainan awam dan alat penyelidikan bersama jauh lebih sedikit. Jurang ini mengejutkan kerana permainan ini mempunyai struktur yang memang digemari sistem AI: maklumat sempurna, tiada unsur rawak, syarat kemenangan yang jelas dan bilangan kemungkinan masa depan yang amat besar.

Malah kedudukan pembukaan yang tenang pun bercabang dengan cepat. Dalam set peraturan dua pemain JumpStar, papan permulaan mempunyai 14 gerakan pertama yang sah. Selepas setiap pihak bergerak sekali, terdapat 196 kemungkinan urutan dua gerakan. Pada kedalaman tiga, terdapat 4,760 kemungkinan urutan gerakan dari kedudukan awal. Pada peringkat kemudian, lompatan berantai dan lorong yang sesak menjadikan pilihan jauh lebih sukar daripada yang digambarkan oleh 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. Hasil yang mengejutkan ialah kecekapannya. Semua model JumpStar dilatih pada sebuah MacBook M4, bukan pada kluster TPU/GPU besar yang dikaitkan dengan sistem Go dan catur yang menjadi mercu tanda.

Cita-citanya ialah permainan yang mengatasi manusia, tetapi dakwaan awamnya sengaja dibuat supaya boleh diuji: JumpStar nampaknya sudah mengatasi atau hampir mengatasi manusia di bawah profil peraturan dua pemain, dan CCERL wujud supaya enjin masa depan boleh mencabar keputusan itu.

Sistemnya

JumpStar bukan sekadar checkpoint model. Ia ialah tindanan enjin dan penanda aras yang lengkap: perwakilan papan, peraturan, carian, main sendiri, rekod latihan, alat pengadil dan bukti awam.

• Peraturan dan carian. JumpStar menggunakan perwakilan padat gaya bitmap bagi papan bintang 121 lubang, peraturan dua pemain yang ketat, penjanaan gerakan langkah dan lompatan berbilang yang sah, penguncian destinasi, semakan tamat permainan, pencincangan deterministik, bot garis asas dan pelaksana perlawanan asli. Pelaksanaan peraturan sengaja dibuat eksplisit kerana enjin Dam Cina boleh mengeksploitasi kes-kes pinggir: berkampung di segi tiga rumah atau destinasi, mewujudkan sekatan buatan, atau menang kerana keanehan pengadil dan bukan kerana bermain lebih baik. Profil peraturan JumpStar bertujuan menghargai perlumbaan yang bersih, geometri yang kuat dan carian yang boleh dihasilkan semula, bukan helah anti-halangan.
• Latihan main sendiri. Main sendiri dan analisis semula menghasilkan keadaan papan, tindakan sah, kiraan lawatan MCTS, keputusan permainan dan ciri kemajuan. Rekod itu melatih model dasar/nilai yang membimbing pusingan carian seterusnya. JumpStar_60 ialah MLP geometry_v1 bersaiz 512x4 dengan kira-kira 10.36M parameter, dilatih daripada set data analisis semula berisi 1.8M contoh. Kerja praktikalnya ialah menjadikan kitaran itu cukup kecil dan pantas untuk dijalankan berulang kali pada perkakasan tempatan.
• Penanda aras awam. Oleh sebab Dam Cina belum mempunyai tangga enjin awam yang matang, saya membangunkan CCERL-2P10-v2 seiring dengan JumpStar. CCERL mentakrifkan set peraturan, protokol enjin, set kedudukan yang dibekukan, enjin garis asas, artifak keluaran dan metodologi penarafan. Penanda aras ini menggunakan kedudukan berpasangan dengan pertukaran pihak dan menerbitkan log supaya keputusan boleh dihasilkan semula, bukan sekadar didakwa. Ini bermakna enjin masa depan boleh mencabar JumpStar di bawah pengadil yang sama dan tidak perlu membandingkan dakwaan kekuatan yang samar-samar.

Cara JumpStar Bermain Dam Cina

Salah satu pemerhatian kualitatif yang paling menarik ialah JumpStar sering tidak bermain seperti heuristik perlumbaan yang mudah. Sebaliknya, ia membangunkan strategi canggih seperti melambatkan lawan, mengekalkan buah penghalang yang berguna dan membina formasi padat seakan-akan segi tiga yang menyekat lalu lintas melalui koridor penting.

Gaya ini mudah terlepas pandang jika Dam Cina hanya dilihat sebagai perlumbaan untuk mara ke hadapan. Oleh sebab buah tidak pernah dimakan, bentuk pertahanan boleh memberi kesan untuk banyak giliran: ia boleh menafikan tangga lompatan, memaksa lawan memintas kesesakan, atau memberi cukup masa kepada buah model itu sendiri untuk menyelesaikan perjalanan. Oleh itu, sebahagian idea terkuat JumpStar mungkin tentang mengawal geometri, bukan sekadar mara dengan lebih pantas.

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.