Kinasjakk JumpStar

JumpStar er verdens sterkeste AI-motor for kinasjakk

Bakgrunn

Jeg laget JumpStar til mamma. Prosjektet startet 15. mai 2026 i Indiana, mens jeg hjalp foreldrene mine med å flytte ut av barndomshjemmet vårt. Da vi pakket tingene deres, fant vi det gamle kinasjakkbrettet vårt og begynte å mimre om hvor gøy det var å spille sammen som familie.

Etter at broren min og jeg dro på college, hadde mamma prøvd å finne kinasjakkapper til iPhone så hun kunne fortsette å spille på egen hånd, men ingen av dem var noe særlig. Med suksessene til AlphaGo og Stockfish i tankene tenkte jeg at det sikkert fantes mange sterke AI-motorer for kinasjakk med åpen kildekode – men det gjør det ikke. Til tross for sin popularitet og eleganse hadde kinasjakk fått overraskende lite oppmerksomhet fra AI-miljøet. Det var dette tomrommet som fikk meg til å lage JumpStar.

Målet mitt var å lage den første overmenneskelige AI-motoren for kinasjakk. En sterk datamotstander ville gjøre det mulig for mamma å fortsette å spille også når broren min og jeg ikke var i nærheten. En overmenneskelig AI-motor kan til og med avdekke vakre nye mønstre og strategier i spillet som ennå ikke er allment kjent.

Det er også derfor prosjektet ble offentlig. En sterk privat motor er interessant, men det er vanskelig for andre å vurdere eller forbedre den. Den offentlige benchmarken for kinasjakk-AI gjør arbeidet etterprøvbart: et regelsett, en protokoll, et sett med stillinger, referansemotorer, logger og en navngitt JumpStar-modell som andre systemer kan utfordre.

Hvorfor AI for kinasjakk er interessant

Sjakk og go har flere tiår med offentlig AI-arbeid bak seg: motorer, benchmarker, ratinglister og delte partiarkiver. Kinasjakk har svært lite av dette, selv om det er akkurat den typen spill AI er god til å studere. Det finnes ingen skjult informasjon, ingen flaks og en klar måte å vinne på.

Det blir også fort komplisert. Med JumpStars regler for to spillere finnes det 14 lovlige første trekk, 196 måter de to første trekkene kan gå på, og 4 760 etter det tredje. Senere i partiet gjør hoppkjeder og trange baner gode trekk mye vanskeligere å se enn reglene skulle tilsi.

Hva JumpStar er

JumpStar er en kinasjakkmotor trent gjennom selvspill, bygd på en kompakt kjerne for regler og søk i C++20, en nevral policy/value-modell og Monte Carlo-tresøk (MCTS). Det sterkeste offentlige sjekkpunktet, JumpStar_60, er nåværende mester i benchmarken CCERL-2P10-v2. Alle JumpStar-modellene ble trent på en MacBook M4, ikke på de store GPU-klyngene bak de kjente sjakk- og go-motorene.

Målet er overmenneskelig spill, og påstanden skal kunne testes. JumpStar ser ut til å være overmenneskelig eller nær det under reglene for to spillere, og med CCERL kan enhver fremtidig motor utfordre det.

Systemet

JumpStar er en komplett motor og en benchmark, ikke bare en trent modell.

  • Regler og søk. En kompakt modell av brettet med 121 hull, strenge regler for to spillere, rask generering av steg og kjeder med flere hopp, og en kampkjører. Reglene er bevisst eksplisitte, slik at en motor ikke kan vinne ved å bli stående i en trekant eller utnytte en særhet i dommerprogrammet.
  • Trening gjennom selvspill. JumpStar spiller mot seg selv, og de partiene trener en policy/value-modell som styrer neste runde med søk. JumpStar_60 er et 512x4-nettverk med omtrent 10.36M parametere, trent på 1.8M reanalyserte stillinger.
  • Offentlig benchmarking. Det fantes ingen offentlig rangering av motorer for kinasjakk, så jeg bygde CCERL-2P10-v2 parallelt med JumpStar. Den definerer reglene, motorprotokollen, et fast sett med startstillinger, referansemotorer og hvordan rating beregnes, og den publiserer alle partilogger slik at resultatene kan etterprøves.

Slik spiller JumpStar kinasjakk

JumpStar nøyer seg ofte ikke med å løpe. Den bremser motstanderen, holder nyttige blokkerende brikker på plass og bygger kompakte trekantformer som gjør midten av brettet vanskelig å hoppe gjennom.

Fordi brikker aldri blir slått, kan en defensiv formasjon vare i mange trekk. Den kan ta fra motstanderen en hopprute, tvinge den til å gå rundt og kjøpe tid til at JumpStars egne brikker kommer hjem.

Vinnende åpningsmønster

Avspilling av vinnende åpning En åpningssekvens på åtte trekk der spiller 2s siste hopp er markert.
# Spiller Type
JumpStars defensive trekantformasjon En stilling fra et ekte parti der JumpStar danner en formasjon i midten som gjør hopp gjennom midten vanskelige og presser motstanderens brikker ut mot kantene.
Steng midten. JumpStar danner ofte to kompakte, trekantlignende fronter som gjør det vanskelig å hoppe gjennom de sentrale korridorene, og presser motstanderens brikker ut mot kantene.
JumpStars lange hoppkjede i sluttspillet En stilling fra et ekte parti der JumpStar plasserer brikkene slik at de danner en lang hoppkjede mot målet på motsatt side.
Avslutt med kjeder. Senere skaper den samme sansen for avstand lange stiger som effektivt får de bakerste brikkene hjem.

Søke- og treningsløkken

Overordnet følger JumpStar AlphaZero-mønsteret: selvspill gir MCTS-besøksmål, disse målene trener en policy/value-modell, og den sterkere modellen styrer neste runde med søk.

selvspill -> MCTS-besøksmål -> policy/value-trening -> sterkere søk -> selvspill

Den praktiske styrken kom av å gjøre denne løkken billig nok til å kjøres gang på gang: innebygde selvspillarbeidere i C++, effektiv trekkgenerering, batchvis evaluering av løvnoder, transposisjoner, gjenbruk av deltrær, kompakte data og utgivelsesbygg optimalisert for lokal Apple-maskinvare.

En stor del av denne komprimeringen kom av å bruke Codex med GPT-5.5 som partner for implementering og forskning. Codex hjalp til med å gå gjennom kodebasen, profilere flaskehalser, skrive om kritiske kodestier, analysere treningslogger, pakke benchmarkkjøringer og holde flere eksperimenttråder i gang samtidig. De viktigste gevinstene var praktiske: store hastighetsforbedringer i selvspill og evaluering, rundt 98 % lavere minnebruk i treningsløpet slik at arbeidet fikk plass på min lokale maskin, og nok automatisering til å fortsette å forbedre motoren mens jeg også hadde fulltidsjobben min som administrerende direktør i Edia.

Prosjektet gikk uvanlig raskt fordi løkken ikke bare var selvspill for modellen; den var også en iterativ ingeniørløkke for systemet rundt den. Codex gjorde det mulig å kjøre et eksperiment, undersøke hvordan det feilet, optimalisere koden, kjøre benchmarken på nytt, oppsummere resultatet og gjøre neste spørsmål om til en konkret kodeendring. Denne tilbakemeldingssyklusen komprimerte arbeid som ellers kunne ha tatt måneder med infrastruktur, verktøy, frontend, benchmark og skriving, til omtrent én uke fra brettet ble funnet til offentlig lansering.

Codex' lokale forbruksregistrering gir et grovt inntrykk av omfanget av samarbeidet. På tvers av prosjekttrådene som er synlige i Codex' lokale tilstandsdatabase, utgjorde registrert tokens_used til sammen omtrent 559.9M tokens. Tallene inkluderer kontekst, verktøyutdata, effekter av bufret kontekst, telling av resonnering og utdata samt overlappende arbeidstråder, så de bør leses som et prosessmål og ikke som en vitenskapelig måling av regnekraft.

CCERL og den offentlige benchmarken

Kinasjakk har ikke en moden offentlig rangering av motorer slik sjakk og go har, og det gjør det vanskelig å vurdere motorers styrke og fremgang. CCERL fyller dette tomrommet. CCERL er den første offentlige benchmarken for å måle styrken til AI-motorer for kinasjakk. Med utgangspunkt i lignende konsepter fra sjakk og go tilbyr CCERL faste regler, kontrollerte startstillinger, parvise sidebytter, nedlastbare partilogger og offentlige referansemotorer.

Basert på CCERL-benchmarkene ser JumpStar ut til å være verdens sterkeste offentlig tilgjengelige AI-motor for kinasjakk, med god margin.

Jeg mener at JumpStar har nådd nesten overmenneskelig styrke i kinasjakk under regelprofilen for to spillere, med regnekraft på MacBook-nivå. Enda viktigere er det at CCERL gir alle fremtidige bidragsytere et mål: endre JumpStar, bygg en ny modell, port en eksisterende motor mer nøyaktig, legg til bedre stillinger eller send inn en utfordrer under samme dommer.

Videre arbeid

JumpStar er ikke ment å være bare en privat bot. Prosjektet prøver å bli fire ting:

  • En sterk offentlig AI-modell. JumpStar har åpen lisens, og dette nettstedet er gratis. Alle kan spille mot JumpStar eller prøve å forbedre den selv. JumpStar ble trent utelukkende på en MacBook M4. Mer regnekraft vil garantert forbedre ytelsen.
  • Offentlig infrastruktur for benchmarking. Sjakk og go har miljøer der motorer kan testes, sammenlignes og forbedres. CCERL gir kinasjakk den samme infrastrukturen: klare regler, reproduserbare kamper, offentlige logger og en vei for andre til å bygge sine egne modeller.
  • Forskning på selve spillet. Sterk AI endrer hva vi kan se. Jeg vil forstå hvordan godt spill ser ut, hvordan åpninger utvikler seg, hvorfor fulle brett oppfører seg som de gjør, og hva som skjer i partier med tre, fire og seks spillere når midten av brettet blir en trafikkork av muligheter.
  • Varianter med flere spillere. Modellen for to spillere er bare begynnelsen. De villeste spørsmålene dukker opp når brettet blir mer folksomt: tre spillere, fire spillere, seks spillere, skiftende allianser, blokkerte veier og merkelige åpninger som oppstår av seg selv. Jeg vil finne ut hvordan sterkt spill ser ut der også, og på brett som er langt større enn standard. Kompleksiteten og mønstrene som dukker opp, kommer til å være fascinerende.

Jeg håper JumpStar får flere til å tenke på kinasjakk, spille det, studere det og bygge videre på det.