IA de Damas Chinesas

JumpStar é o motor de IA mais forte do mundo para Damas Chinesas

Agora no iPhone Damas Chinesas: JumpStar Jogue offline contra a IA mais forte, resolva quebra-cabeças diários, receba dicas e salve replays. Baixar

Origem

Criei o JumpStar para a minha mãe. O projeto começou em 15 de maio de 2026, em Indiana, quando eu estava ajudando meus pais a se mudarem da casa onde crescemos. Enquanto encaixotávamos as coisas deles, encontramos nosso velho tabuleiro de Damas Chinesas e começamos a relembrar como era divertido jogar em família.

Depois que meu irmão e eu fomos para a faculdade, minha mãe tentou encontrar apps de Damas Chinesas para iPhone para continuar jogando sozinha, mas nenhum era bom. Com o sucesso do AlphaGo e do Stockfish, eu achei que com certeza haveria vários motores de IA de código aberto fortes para Damas Chinesas, mas não há. Apesar da popularidade e da elegância do jogo, Damas Chinesas recebeu surpreendentemente pouca atenção da comunidade de IA. Foi essa lacuna que me levou a criar o JumpStar.

Meu objetivo era criar o primeiro motor de IA sobre-humano para Damas Chinesas. Um adversário de computador forte permitiria que minha mãe continuasse jogando mesmo quando meu irmão e eu não estivéssemos por perto. Um motor de IA sobre-humano poderia até revelar padrões e estratégias novas e bonitas do jogo que ainda não eram amplamente conhecidas.

Também foi por isso que o projeto se tornou público. Um motor forte e privado é interessante, mas é difícil para outras pessoas avaliarem ou melhorarem. O benchmark público de IA para Damas Chinesas transforma o trabalho em algo verificável: um conjunto de regras, um protocolo, um conjunto de posições, referências de comparação, registros e um modelo JumpStar nomeado que outros sistemas podem desafiar.

A beleza das Damas Chinesas

Damas Chinesas é uma corrida em um tabuleiro em forma de estrela de seis pontas. Cada jogador começa com um grupo de dez peças em um triângulo e tenta ser o primeiro a levar todas as suas peças para o triângulo oposto. O jogo pode ser jogado por dois, três, quatro ou seis jogadores. Há apenas dois movimentos, o passo e o salto, e não existe captura de peças, um dos motivos pelos quais o tabuleiro parece tão vivo: regras de movimento simples geram tipos complexos de congestionamento à medida que os jogadores tentam montar sequências de saltos e impedir que os adversários façam o mesmo.

Apesar do nome, Damas Chinesas não surgiu na China e não é exatamente um jogo de damas. A origem do jogo costuma ser atribuída ao Stern-Halma, ou Halma Estrela, uma adaptação alemã do Halma para um tabuleiro em estrela publicada em 1892. O conhecido nome em inglês surgiu depois, graças ao marketing americano, e desde então o jogo se tornou popular no mundo todo.

Como jogar Damas Chinesas

Na sua vez, você move uma das suas peças. Uma peça pode dar um passo para uma casa vizinha vazia ou saltar sobre uma casa vizinha ocupada até a casa vazia logo depois dela. Os saltos podem ser encadeados, então uma única jogada pode atravessar boa parte do tabuleiro se o espaçamento estiver certo. As peças saltadas continuam no tabuleiro. Elas não são capturadas.

O objetivo é levar todas as suas peças para o triângulo bem em frente ao seu triângulo de partida. Jogar bem não é só correr para a frente. Você precisa montar escadas úteis, evitar bloquear as próprias peças, aproveitar bem o centro congestionado e decidir quando uma jogada que parece lenta agora vai criar um caminho mais rápido depois.

Para uma referência direta, leia as regras completas de Damas Chinesas. Quando estiver pronto para melhorar seu jogo, siga para o guia de estratégia e táticas do JumpStar.

Por que a IA de Damas Chinesas é interessante

Os jogos de tabuleiro clássicos são centrais para a IA há décadas. O Deep Blue, da IBM, derrotou o campeão mundial de xadrez Garry Kasparov em 1997. O AlphaGo derrotou Lee Sedol em 2016. Esses jogos viraram marcos porque o jogo forte dos computadores mudou a forma como as pessoas os entendiam.

Damas Chinesas não teve o mesmo ecossistema público de IA. Em comparação com o xadrez e o Go, há muito menos motores, benchmarks, rankings, registros públicos de partidas e ferramentas de pesquisa compartilhadas. Essa lacuna é surpreendente, porque o jogo tem exatamente o tipo de estrutura que os sistemas de IA gostam de estudar: informação perfeita, nenhuma aleatoriedade, uma condição de vitória clara e um número enorme de futuros possíveis.

Até a tranquila posição de abertura se ramifica rapidamente. No conjunto de regras para dois jogadores do JumpStar, o tabuleiro inicial tem 14 primeiras jogadas válidas. Depois que cada lado jogou uma vez, há 196 sequências possíveis de dois lances. Na profundidade três, há 4.760 sequências de jogadas possíveis a partir da posição inicial. Mais adiante na partida, os saltos em cadeia e as rotas congestionadas tornam as escolhas bem menos óbvias do que as regras sugerem.

O que é o JumpStar

JumpStar é um motor de Damas Chinesas treinado por autojogo, construído sobre um núcleo compacto de regras e busca em C++20, um modelo neural de política/valor e busca em árvore de Monte Carlo. Seu checkpoint público mais forte, JumpStar_60, é o atual campeão do benchmark CCERL-2P10-v2. O resultado surpreendente é a eficiência. Todos os modelos do JumpStar foram treinados em um MacBook M4, e não nos grandes clusters de TPU/GPU associados aos sistemas marcantes de Go e xadrez.

A ambição é jogar em nível sobre-humano, mas a afirmação pública é deliberadamente testável: o JumpStar parece ser sobre-humano ou quase sobre-humano no perfil de regras para dois jogadores, e o CCERL existe para que motores futuros possam contestar esse resultado.

O sistema

O JumpStar não é só um checkpoint de modelo. É uma estrutura completa de motor e benchmark: representação do tabuleiro, regras, busca, autojogo, registros de treino, ferramentas de arbitragem e evidências públicas.

• Regras e busca. O JumpStar usa uma representação compacta, no estilo bitmap, do tabuleiro em estrela de 121 casas, regras rígidas para dois jogadores, geração de jogadas válidas de passo e de vários saltos, travamento do destino, verificação de fim de partida, hashing determinístico, bots de referência e um executor de partidas nativo. A implementação das regras é deliberadamente explícita porque, sem isso, motores de Damas Chinesas podem explorar casos extremos: acampar nos triângulos de partida ou de destino, criar bloqueios artificiais ou vencer por peculiaridades do árbitro em vez de jogar melhor. O perfil de regras do JumpStar foi pensado para recompensar a corrida limpa, a boa geometria e a busca reproduzível, e não truques contra regras antibloqueio.
• Treino por autojogo. O autojogo e a reanálise geram estados do tabuleiro, ações válidas, contagens de visitas do MCTS, resultados de partidas e indicadores de progresso. Esses registros treinam um modelo de política/valor que orienta a próxima rodada de busca. O JumpStar_60 é um MLP geometry_v1 512x4 com aproximadamente 10.36M parâmetros, treinado a partir de um conjunto de dados reanalisado com 1.8M exemplos. O trabalho prático foi deixar esse ciclo pequeno e rápido o bastante para rodar repetidamente em hardware local.
• Benchmark público. Como Damas Chinesas ainda não tinha um ranking público consolidado de motores, desenvolvi o CCERL-2P10-v2 junto com o JumpStar. O CCERL define o conjunto de regras, o protocolo dos motores, um conjunto fixo de posições, motores de referência, artefatos de versão e a metodologia de rating. O benchmark usa posições em pares com troca de lados e publica os registros para que os resultados sejam reproduzíveis, e não apenas afirmados. Isso significa que motores futuros podem desafiar o JumpStar com o mesmo árbitro, em vez de comparar alegações vagas de força.

Como o JumpStar joga Damas Chinesas

Uma das observações qualitativas mais interessantes é que o JumpStar muitas vezes não joga como uma simples heurística de corrida. Em vez disso, ele desenvolve estratégias sofisticadas, como atrasar o adversário, manter bloqueadores úteis e montar formações compactas, parecidas com triângulos, que restringem a passagem por corredores importantes.

Esse estilo passa despercebido se Damas Chinesas for vista apenas como uma corrida para a frente. Como as peças nunca são capturadas, uma formação defensiva pode fazer diferença por muitas rodadas: pode impedir uma escada de saltos, obrigar o adversário a contornar o congestionamento ou ganhar tempo suficiente para as peças do próprio modelo chegarem. Algumas das ideias mais fortes do JumpStar podem, portanto, ter a ver com controlar a geometria, e não apenas com avançar mais rápido.

O ciclo de busca e treino

Em linhas gerais, o JumpStar segue o modelo do AlphaZero: o autojogo produz alvos de visitas do MCTS, esses alvos treinam um modelo de política/valor e o modelo mais forte orienta a próxima rodada de busca.

autojogo -> alvos de visitas do MCTS -> treino de política/valor -> busca mais forte -> autojogo

A força prática veio de tornar esse ciclo barato o bastante para rodar repetidamente: workers de autojogo nativos em C++, geração de jogadas eficiente, avaliação de folhas em lotes, transposições, reaproveitamento de subárvores, registros compactos e builds de release ajustados para hardware local da Apple.

Grande parte dessa compressão veio de usar o Codex com o GPT-5.5 como parceiro de implementação e pesquisa. O Codex ajudou a inspecionar o código, identificar gargalos, reescrever trechos críticos, analisar registros de treino, empacotar rodadas de benchmark e manter vários experimentos andando ao mesmo tempo. Os ganhos mais importantes foram práticos: grandes acelerações no autojogo e na avaliação, redução de cerca de 98% no uso de memória no pipeline de treino para que o trabalho coubesse na minha máquina local, e automação suficiente para continuar melhorando o motor enquanto eu também cumpria meu trabalho em tempo integral como CEO da Edia.

O projeto avançou de forma incomumente rápida porque o ciclo não era apenas o autojogo do modelo; era também um ciclo iterativo de engenharia para todo o sistema ao redor dele. O Codex tornou possível rodar um experimento, investigar o modo de falha, otimizar o código, rodar o benchmark de novo, resumir o resultado e transformar a próxima pergunta em um patch concreto. Esse ciclo de feedback comprimiu um trabalho de infraestrutura, ferramentas, frontend, benchmark e redação que poderia ter levado meses em cerca de uma semana, da descoberta do tabuleiro ao lançamento público.

A contabilização local do Codex dá uma ideia aproximada da escala dessa colaboração. Somando as threads do projeto visíveis no banco de dados de estado local do Codex, o tokens_used registrado chegou a aproximadamente 559.9M tokens. Esses números incluem contexto, saída de ferramentas, efeitos de contexto em cache, contabilização de raciocínio/saída e threads de trabalho sobrepostas, então devem ser lidos como uma métrica de processo, e não como uma medição científica de computação.

O CCERL e o benchmark público

Damas Chinesas não tem um ranking público consolidado de motores como o xadrez e o Go, o que dificulta avaliar a força e a evolução dos motores. O CCERL preenche essa lacuna. O CCERL é o primeiro benchmark público para avaliar a força de motores de IA de Damas Chinesas. Com base em conceitos semelhantes do xadrez e do Go, o CCERL oferece regras fixas, posições iniciais auditadas, troca de lados em pares, registros de partidas para download e referências públicas de comparação.

Com base nos benchmarks do CCERL, o JumpStar parece ser, com folga, o motor de IA de Damas Chinesas mais forte do mundo disponível publicamente.

Acredito que o JumpStar chegou a um nível quase sobre-humano em Damas Chinesas no perfil de regras para dois jogadores, usando a capacidade de computação de um MacBook. Mais importante ainda, o CCERL dá a todos os futuros colaboradores um alvo: modificar o JumpStar, criar um novo modelo, adaptar com mais fidelidade um motor já existente, acrescentar posições melhores ou inscrever um desafiante com o mesmo árbitro.

Próximos passos

O JumpStar não foi feito para ser só um bot privado. O projeto está tentando se tornar quatro coisas:

• Um modelo de IA público e forte. O JumpStar tem licença aberta, e este site é gratuito. Qualquer pessoa pode jogar contra o JumpStar ou tentar melhorá-lo por conta própria. O JumpStar foi treinado inteiramente em um MacBook M4. Mais capacidade de computação certamente vai melhorar o desempenho.
• Infraestrutura pública de benchmark. O xadrez e o Go têm comunidades em que os motores podem ser testados, comparados e aprimorados. O CCERL leva essa mesma infraestrutura para Damas Chinesas: regras claras, partidas reproduzíveis, registros públicos e um caminho para que outras pessoas criem os próprios modelos.
• Pesquisa sobre o próprio jogo. Uma IA forte muda o que conseguimos enxergar. Quero entender como é um bom jogo, como as aberturas evoluem, por que tabuleiros congestionados se comportam como se comportam e o que acontece em partidas com três, quatro e seis jogadores, quando o meio do tabuleiro vira um engarrafamento de possibilidades.
• Variantes com vários jogadores. O modelo para dois jogadores é só o começo. As perguntas mais malucas começam quando o tabuleiro fica mais cheio: três jogadores, quatro jogadores, seis jogadores, alianças instáveis, caminhos bloqueados e aberturas estranhas que surgem espontaneamente. Quero descobrir como é o jogo forte nesses cenários também, e em tabuleiros muito maiores que o padrão. As complexidades e os padrões que vão surgir serão fascinantes.

Espero que o JumpStar incentive mais gente a pensar em Damas Chinesas, jogar, estudar e criar coisas em torno do jogo.