JumpStar is de sterkste AI-engine ter wereld voor Chinees dammen
Hoe het begon
Ik heb JumpStar gebouwd voor mijn moeder. Het project begon op 15 mei 2026 in Indiana, toen ik mijn ouders hielp verhuizen uit het huis waar we waren opgegroeid. Tijdens het inpakken vonden we ons oude bord voor Chinees dammen terug en haalden we herinneringen op aan hoe leuk het was om het met het hele gezin te spelen.
Nadat mijn broer en ik waren gaan studeren, had mijn moeder geprobeerd iPhone-apps voor Chinees dammen te vinden zodat ze in haar eentje kon blijven spelen, maar geen enkele was echt goed. Gezien de successen van AlphaGo en Stockfish dacht ik dat er vast veel sterke opensource-AI-engines voor Chinees dammen zouden bestaan – maar dat is niet zo. Ondanks de populariteit en elegantie van het spel had Chinees dammen verrassend weinig aandacht gekregen van de AI-gemeenschap. Dat gat bracht me ertoe JumpStar te bouwen.
Mijn doel was de eerste bovenmenselijke AI-engine voor Chinees dammen te bouwen. Een sterke computertegenstander zou het voor mijn moeder mogelijk maken om te blijven spelen, ook als mijn broer en ik niet in de buurt waren. Een bovenmenselijke AI-engine zou zelfs prachtige nieuwe patronen en strategieën in het spel kunnen blootleggen die nog niet algemeen bekend waren.
Daarom werd het project ook openbaar. Een sterke privé-engine is interessant, maar voor anderen is die moeilijk te beoordelen of te verbeteren. De openbare AI-benchmark voor Chinees dammen maakt het werk controleerbaar: een regelset, een protocol, een reeks stellingen, referentie-engines, logbestanden en een benoemd JumpStar-model dat andere systemen kunnen uitdagen.
Waarom AI voor Chinees dammen interessant is
Achter schaken en go zitten tientallen jaren openbaar AI-werk, met engines, benchmarks, ratinglijsten en gedeelde partijverslagen. Chinees dammen heeft daar heel weinig van, terwijl het precies het soort spel is dat AI goed kan bestuderen. Er is geen verborgen informatie, geen geluk en een duidelijke manier om te winnen.
Het wordt ook snel ingewikkeld. Met de regels voor twee spelers van JumpStar zijn er 14 toegestane eerste zetten, 196 mogelijkheden voor de eerste twee zetten en 4.760 na de derde. Later maken sprongketens en drukke banen goede zetten veel moeilijker te zien dan de regels doen vermoeden.
Wat JumpStar is
JumpStar is een engine voor Chinees dammen die is getraind via self-play en gebouwd op een compacte kern voor regels en zoeken in C++20, een neuraal policy/value-model en Monte Carlo tree search. Het sterkste openbare checkpoint, JumpStar_60, is de huidige kampioen van de benchmark CCERL-2P10-v2. Elk JumpStar-model is getraind op een MacBook M4, niet op de grote GPU-clusters achter de beroemde schaak- en go-engines.
Het doel is bovenmenselijk spel, en die claim moet toetsbaar zijn. Met de regels voor twee spelers lijkt JumpStar bovenmenselijk of daar dichtbij, en met CCERL kan elke toekomstige engine dat uitdagen.
Het systeem
JumpStar is een complete engine met benchmark, niet alleen een getraind model.
- Regels en zoeken. Een compact model van het bord met 121 gaten, strikte regels voor twee spelers, snelle generatie van stappen en sprongketens, en een wedstrijdrunner. De regels zijn bewust expliciet, zodat een engine niet kan winnen door in een driehoek te blijven kamperen of een eigenaardigheid van de scheidsrechter uit te buiten.
- Training via self-play. JumpStar speelt tegen zichzelf, en met die potjes wordt een policy/value-model getraind dat de volgende zoekronde stuurt.
JumpStar_60is een netwerk van512x4met zo'n10.36Mparameters, getraind op1.8Mopnieuw geanalyseerde stellingen. - Openbare benchmarking. Er was nog geen openbare ranglijst voor engines voor Chinees dammen, dus heb ik
CCERL-2P10-v2naast JumpStar gebouwd. Het legt de regels, het engineprotocol, een vaste reeks beginstellingen, referentie-engines en de ratingberekening vast, en publiceert elk partijverslag zodat iedereen de resultaten kan controleren.
Hoe JumpStar Chinees dammen speelt
JumpStar racet vaak niet gewoon vooruit. Het remt de tegenstander af, laat nuttige blokkerende pionnen staan en bouwt compacte driehoeksvormen waardoor je moeilijk door het midden van het bord kunt springen.
Omdat pionnen nooit geslagen worden, kan een verdedigende vorm vele beurten blijven staan. Hij kan een sprongroute afsluiten, de tegenstander dwingen een omweg te maken en JumpStar tijd geven om de eigen pionnen thuis te brengen.
Winnend openingspatroon
| # | Speler | Soort |
|---|
De lus van zoeken en trainen
Op hoofdlijnen volgt JumpStar het patroon van AlphaZero: self-play levert MCTS-bezoekdoelen op, die doelen trainen een policy/value-model, en het sterkere model stuurt de volgende zoekronde.
self-play -> MCTS-bezoekdoelen -> policy/value-training -> sterker zoeken -> self-play
De praktische kracht kwam voort uit het zo goedkoop maken van die lus dat hij steeds opnieuw kon draaien: native self-play-workers in C++, efficiënte zetgeneratie, gebundelde evaluatie van bladknopen, transposities, hergebruik van subbomen, compacte gegevens en release-builds die zijn afgestemd op lokale Apple-hardware.
Een groot deel van die versnelling kwam van het gebruik van Codex met GPT-5.5 als partner bij implementatie en onderzoek. Codex hielp de codebase te doorzoeken, knelpunten te profileren, kritieke codepaden te herschrijven, trainingslogs te analyseren, benchmarkruns klaar te zetten en meerdere experimenten tegelijk gaande te houden. De belangrijkste winst was praktisch: grote versnellingen in self-play en evaluatie, een geheugenbesparing van ongeveer 98% in het trainingstraject zodat het werk op mijn eigen machine paste, en genoeg automatisering om de engine te blijven verbeteren terwijl ik daarnaast fulltime werkte als CEO van Edia.
Het project ging ongewoon snel, omdat de lus niet alleen self-play voor het model was; het was ook een iteratieve engineeringlus voor het hele systeem eromheen. Met Codex kon ik een experiment draaien, de oorzaak van een fout onderzoeken, de code optimaliseren, de benchmark opnieuw draaien, het resultaat samenvatten en de volgende vraag omzetten in een concrete patch. Die feedbackcyclus perste werk dat anders maanden aan infrastructuur, tooling, frontend, benchmarking en schrijven had kunnen kosten samen tot ongeveer een week, van het terugvinden van het bord tot de openbare lancering.
De lokale administratie van Codex geeft een ruwe indruk van de omvang van die samenwerking. Over alle projectthreads die zichtbaar zijn in de lokale statusdatabase van Codex kwam het geregistreerde tokens_used uit op ongeveer 559.9M tokens. Die getallen omvatten context, tooluitvoer, effecten van gecachete context, de telling van redenering en uitvoer, en elkaar overlappende werkthreads. Ze moeten dus worden gelezen als een procesmaatstaf, niet als een wetenschappelijke meting van rekenkracht.
CCERL en de openbare benchmark
Chinees dammen heeft geen volwassen openbare ranglijst voor engines zoals schaken en go die hebben, waardoor het moeilijk is om de sterkte en vooruitgang van engines te beoordelen. CCERL vult die leemte. CCERL is de eerste openbare benchmark voor het meten van de speelsterkte van AI-engines voor Chinees dammen. Gebaseerd op vergelijkbare concepten uit schaken en go biedt CCERL vaste regels, gecontroleerde beginstellingen, partijen in paren met omgewisselde kanten, downloadbare partijlogs en openbare referentie-engines.
Op basis van de CCERL-benchmarks lijkt JumpStar met grote voorsprong de sterkste openbaar beschikbare AI-engine ter wereld voor Chinees dammen.
Ik denk dat JumpStar onder het regelprofiel voor twee spelers bijna bovenmenselijke speelsterkte heeft bereikt in Chinees dammen, met rekenkracht op het niveau van een gewone MacBook. Belangrijker nog: CCERL geeft alle toekomstige bijdragers een doel. Pas JumpStar aan, bouw een nieuw model, port een bestaande engine nauwkeuriger, voeg betere stellingen toe of stuur een uitdager in onder dezelfde scheidsrechter.
Toekomstig werk
JumpStar is niet bedoeld als zomaar een privébot. Het project wil vier dingen worden:
- Een sterk openbaar AI-model. JumpStar heeft een open licentie, en deze website is gratis. Iedereen kan tegen JumpStar spelen of zelf proberen hem te verbeteren. JumpStar is volledig getraind op een MacBook M4. Meer rekenkracht zal de prestaties ongetwijfeld verbeteren.
- Openbare benchmarkinfrastructuur. Schaken en go hebben gemeenschappen waar engines kunnen worden getest, vergeleken en verbeterd. CCERL brengt diezelfde infrastructuur naar Chinees dammen: duidelijke regels, reproduceerbare partijen, openbare logs en een manier waarop anderen hun eigen modellen kunnen bouwen.
- Onderzoek naar het spel zelf. Sterke AI verandert wat we kunnen zien. Ik wil begrijpen hoe goed spel eruitziet, hoe openingen zich ontwikkelen, waarom drukke borden zich gedragen zoals ze doen, en wat er gebeurt in potjes met drie, vier en zes spelers wanneer het midden van het bord één grote file van mogelijkheden wordt.
- Varianten met meer spelers. Het model voor twee spelers is pas het begin. De wildste vragen beginnen als het bord voller wordt: drie spelers, vier spelers, zes spelers, wisselende allianties, geblokkeerde paden en vreemde, spontaan ontstane openingen. Ik wil ontdekken hoe sterk spel er ook daar uitziet, en op borden die veel groter zijn dan standaard. De complexiteit en patronen die daaruit voortkomen, zullen betoverend zijn.
Ik hoop dat JumpStar meer mensen aanmoedigt om over Chinees dammen na te denken, het te spelen, het te bestuderen en erop voort te bouwen.