AI voor Chinees dammen

JumpStar is de sterkste AI-engine ter wereld voor Chinees dammen

Nu op iPhone JumpStar Chinees dammen Speel offline tegen de sterkste AI, los dagelijkse puzzels op, vraag om hints en bewaar je herhalingen. Downloaden

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.

De schoonheid van Chinees dammen

Chinees dammen is een race over een stervormig bord met zes punten. Elke speler begint met een groep van tien pionnen in één driehoek en probeert als eerste al zijn pionnen naar de tegenoverliggende driehoek te brengen. Het spel kan met twee, drie, vier of zes spelers worden gespeeld. Er zijn maar twee soorten bewegingen, stappen en springen, en er valt niets te slaan. Dat is een van de redenen waarom het bord zo levendig aanvoelt: eenvoudige bewegingsregels leveren ingewikkeld verkeer op, terwijl spelers proberen sprongketens te bouwen en tegenstanders te blokkeren die hetzelfde proberen.

Ondanks de naam komt Chinees dammen niet uit China, en het is ook niet echt dammen. Het spel wordt meestal herleid tot Stern-Halma, of Sterhalma, een Duitse bewerking van Halma op een stervormig bord die in 1892 werd uitgegeven. De bekende Engelse naam kwam later, via Amerikaanse marketing, en inmiddels is het wereldwijd een populair bordspel.

Zo speel je Chinees dammen

Als je aan de beurt bent, verplaats je een van je pionnen. Een pion kan een stap zetten naar een aangrenzend leeg gat, of over een aangrenzend bezet gat springen naar het lege gat daarachter. Sprongen kun je aan elkaar rijgen, dus één zet kan een groot deel van het bord overbruggen als de tussenruimtes kloppen. Pionnen waarover gesprongen wordt, blijven op het bord staan. Ze worden niet geslagen.

Het doel is om al je pionnen naar de driehoek recht tegenover je startdriehoek te brengen. Goed spelen draait niet alleen om vooruitstormen. Je moet bruikbare ladders bouwen, voorkomen dat je je eigen pionnen blokkeert, het drukke centrum goed benutten en inschatten wanneer een zet die nu traag lijkt later een snellere route oplevert.

Voor een beknopt naslagwerk lees je de volledige spelregels van Chinees dammen. Wil je beter worden, ga dan verder met de gids voor strategie en tactiek van JumpStar.

Waarom AI voor Chinees dammen interessant is

Klassieke bordspellen spelen al tientallen jaren een centrale rol in AI. Deep Blue van IBM versloeg wereldkampioen schaken Garry Kasparov in 1997. AlphaGo versloeg Lee Sedol in 2016. Die spellen werden mijlpalen, omdat sterk computerspel veranderde hoe mensen ze begrepen.

Chinees dammen heeft nooit zo'n openbaar AI-ecosysteem gehad. Vergeleken met schaken en go zijn er veel minder engines, benchmarks, ratinglijsten, openbare partijverslagen of gedeelde onderzoekstools. Dat gat is verrassend, want het spel heeft precies de structuur die AI-systemen graag bestuderen: volledige informatie, geen toeval, een duidelijke winvoorwaarde en een enorm aantal mogelijke vervolgen.

Zelfs de rustige beginstelling vertakt snel. In de regelset voor twee spelers van JumpStar heeft het startbord 14 toegestane eerste zetten. Nadat beide kanten één keer hebben gezet, zijn er 196 mogelijke reeksen van twee halve zetten. Bij diepte drie zijn er vanaf de beginstelling al 4.760 mogelijke zetreeksen. Later in het spel maken sprongketens en drukke banen de keuzes veel minder vanzelfsprekend 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. Het verrassende resultaat is de efficiëntie. Alle JumpStar-modellen zijn getraind op een MacBook M4, en niet op de grote TPU/GPU-clusters die bij de baanbrekende go- en schaaksystemen horen.

Het streven is bovenmenselijk spel, maar de openbare claim is bewust toetsbaar: JumpStar lijkt bovenmenselijk of bijna bovenmenselijk onder het regelprofiel voor twee spelers, en CCERL bestaat zodat toekomstige engines dat resultaat kunnen uitdagen.

Het systeem

JumpStar is niet zomaar een modelcheckpoint. Het is een complete stack van engine en benchmark: bordrepresentatie, regels, zoeken, self-play, trainingsgegevens, scheidsrechtertools en openbaar bewijs.

• Regels en zoeken. JumpStar gebruikt een compacte, bitmapachtige representatie van het sterbord met 121 gaten, strikte regels voor twee spelers, het genereren van toegestane stappen en meervoudige sprongen, het vergrendelen van het doel, eindcontroles, deterministische hashing, referentiebots en een native wedstrijdrunner. De regels zijn bewust expliciet geïmplementeerd, omdat engines voor Chinees dammen anders randgevallen kunnen uitbuiten: kamperen in de start- of doeldriehoek, kunstmatige blokkades opwerpen, of winnen door eigenaardigheden van de scheidsrechter in plaats van door beter spel. Het regelprofiel van JumpStar is bedoeld om zuiver racen, sterke geometrie en reproduceerbaar zoeken te belonen in plaats van trucs rond blokkeren.
• Training via self-play. Self-play en heranalyse leveren bordstellingen, toegestane acties, MCTS-bezoekaantallen, uitslagen en voortgangskenmerken op. Met die gegevens wordt een policy/value-model getraind dat de volgende zoekronde stuurt. JumpStar_60 is een geometry_v1-MLP van 512x4 met ongeveer 10.36M parameters, getraind op een heranalyseerde dataset van 1.8M voorbeelden. Het praktische werk zat erin die lus klein en snel genoeg te maken om hem steeds opnieuw op eigen hardware te draaien.
• Openbare benchmarking. Omdat Chinees dammen nog geen volwassen openbare ranglijst voor engines had, heb ik CCERL-2P10-v2 naast JumpStar ontwikkeld. CCERL legt de regelset vast, net als het engineprotocol, een bevroren reeks stellingen, referentie-engines, releasebestanden en de ratingmethode. De benchmark gebruikt stellingen in paren met omgewisselde kanten en publiceert logbestanden, zodat resultaten reproduceerbaar zijn in plaats van alleen beweerd. Zo kunnen toekomstige engines JumpStar onder dezelfde scheidsrechter uitdagen in plaats van vage claims over speelsterkte te vergelijken.

Hoe JumpStar Chinees dammen speelt

Een van de interessantste kwalitatieve observaties is dat JumpStar vaak niet speelt als een eenvoudige race-heuristiek. In plaats daarvan ontwikkelt hij geavanceerde strategieën, zoals de tegenstander afremmen, nuttige blokkeerders laten staan en compacte, driehoekachtige formaties bouwen die het verkeer door belangrijke corridors beperken.

Die stijl valt makkelijk over het hoofd te zien als je Chinees dammen alleen als een race vooruit ziet. Omdat pionnen nooit geslagen worden, kan een verdedigende vorm vele beurten lang belangrijk zijn: hij kan een sprongladder blokkeren, de tegenstander dwingen om opstoppingen heen te gaan, of genoeg tijd kopen zodat de eigen pionnen van het model hun voorsprong kunnen verzilveren. Sommige van JumpStars sterkste ideeën gaan dus misschien over het beheersen van geometrie, en niet alleen over sneller vooruitkomen.

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.