IA de Damas Chinesas

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

Já disponível para iPhone Damas Chinesas JumpStar Jogue contra a IA mais forte sem ligação à internet, resolva puzzles diários, peça dicas e guarde repetições. Descarregar

Origem

Criei o JumpStar para a minha mãe. O projeto começou a 15 de maio de 2026, no Indiana, quando estava a ajudar os meus pais a mudarem-se da casa onde crescemos. Enquanto arrumávamos as coisas deles, encontrámos o nosso velho tabuleiro de Damas Chinesas e começámos a recordar como era divertido jogar em família.

Depois de eu e o meu irmão irmos para a universidade, a minha mãe tentou encontrar aplicações de Damas Chinesas para iPhone para continuar a jogar sozinha, mas nenhuma era boa. Tendo em conta os êxitos do AlphaGo e do Stockfish, pensei que haveria, com certeza, muitos motores de IA fortes e de código aberto para Damas Chinesas — mas não há. Apesar da sua popularidade e elegância, as Damas Chinesas tinham recebido surpreendentemente pouca atenção da comunidade de IA. Foi essa lacuna que me levou a criar o JumpStar.

O meu objetivo era criar o primeiro motor de IA sobre-humano para Damas Chinesas. Um adversário de computador forte permitiria à minha mãe continuar a jogar mesmo quando eu e o meu irmão não estivéssemos por perto. Um motor de IA sobre-humano poderia até revelar padrões e estratégias novos e belos do jogo, ainda pouco conhecidos.

Foi também por isso que o projeto se tornou público. Um motor privado forte é interessante, mas é difícil para qualquer outra pessoa avaliá-lo ou melhorá-lo. 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 base, registos e um modelo JumpStar identificado que outros sistemas podem desafiar.

A beleza das Damas Chinesas

As Damas Chinesas são uma corrida através de um tabuleiro em forma de estrela com seis pontas. Cada jogador começa com um grupo de dez peças num 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 há possibilidade de capturar peças, o que é uma das razões por que o tabuleiro parece tão vivo: regras de movimento simples produzem padrões de trânsito complexos, à medida que os jogadores tentam construir cadeias de saltos e impedir os adversários de fazer o mesmo.

Apesar do nome, as Damas Chinesas não nasceram na China e não são verdadeiramente 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 inglês surgiu mais tarde, através do marketing americano, e desde então o jogo tornou-se um jogo de tabuleiro popular em todo o mundo.

Como jogar Damas Chinesas

Na sua vez, move uma das suas peças. Uma peça pode dar um passo para uma casa vizinha vazia ou saltar por cima de uma casa adjacente ocupada para a casa vazia logo a seguir. Os saltos podem encadear-se, por isso uma única jogada pode atravessar uma grande parte do tabuleiro se o espaçamento for o certo. As peças saltadas ficam no tabuleiro. Não são capturadas.

O objetivo é levar todas as suas peças para o triângulo diretamente em frente ao seu triângulo de partida. Jogar bem não é apenas avançar à pressa. É preciso construir escadas úteis, evitar bloquear as próprias peças, tirar bom partido do centro congestionado e decidir quando uma jogada que agora parece lenta vai criar um percurso mais rápido mais tarde.

Para uma referência centrada nas regras, leia as regras completas das Damas Chinesas. Quando estiver pronto para melhorar o seu jogo, continue com o guia de estratégia e táticas do JumpStar.

Porque é que a IA de Damas Chinesas é interessante

Os jogos de tabuleiro clássicos estão no centro da 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 tornaram-se marcos porque o jogo forte dos computadores mudou a forma como as pessoas os entendiam.

As Damas Chinesas não tiveram o mesmo ecossistema público de IA. Em comparação com o xadrez e o Go, há muito menos motores, benchmarks, listas de classificação, registos públicos de jogos ou ferramentas de investigação partilhadas. Essa lacuna surpreende, 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 depressa. No conjunto de regras para dois jogadores do JumpStar, o tabuleiro inicial tem 14 primeiras jogadas legais. Depois de cada lado jogar uma vez, há 196 sequências possíveis de duas jogadas. À profundidade três, há 4760 sequências de jogadas possíveis a partir da posição inicial. Mais adiante no jogo, os saltos em cadeia e os corredores congestionados tornam as escolhas muito menos óbvias do que as regras sugerem.

O que é o JumpStar

O JumpStar é um motor de Damas Chinesas treinado por autojogo, construído sobre um núcleo compacto de regras e pesquisa em C++20, um modelo neuronal de política/valor e pesquisa em árvore de Monte Carlo. O 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 JumpStar foram treinados num MacBook M4, e não nos grandes clusters de TPU/GPU associados aos sistemas de referência de Go e xadrez.

A ambição é jogar a um 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 futuros motores possam pôr esse resultado à prova.

O sistema

O JumpStar não é apenas um checkpoint de modelo. É um motor completo e uma infraestrutura de benchmark: representação do tabuleiro, regras, pesquisa, autojogo, registos de treino, ferramentas de arbitragem e provas públicas.

• Regras e pesquisa. O JumpStar usa uma representação compacta, do tipo bitmap, do tabuleiro em estrela de 121 casas, regras estritas para dois jogadores, geração de jogadas legais de passo e de múltiplos saltos, bloqueio no destino, verificações de fim de jogo, hashing determinístico, bots de referência e um executor nativo de partidas. A implementação das regras é deliberadamente explícita, porque, de outra forma, os motores de Damas Chinesas podem explorar casos-limite: ficar acampados nos triângulos de partida ou de destino, criar bloqueios artificiais ou ganhar graças a peculiaridades do árbitro em vez de jogarem melhor. O perfil de regras do JumpStar pretende recompensar uma corrida limpa, uma geometria forte e uma pesquisa reprodutível, e não truques antibloqueio.
• Treino por autojogo. O autojogo e a reanálise geram estados do tabuleiro, ações legais, contagens de visitas do MCTS, resultados de jogos e indicadores de progresso. Esses registos treinam um modelo de política/valor que orienta a ronda seguinte de pesquisa. O JumpStar_60 é um MLP geometry_v1 de 512x4 com cerca de 10.36M parâmetros, treinado com um conjunto de dados reanalisado de 1.8M exemplos. O trabalho prático consistiu em tornar esse ciclo suficientemente pequeno e rápido para ser executado repetidamente em hardware local.
• Benchmark público. Como as Damas Chinesas ainda não tinham uma escada pública de motores consolidada, desenvolvi o CCERL-2P10-v2 em paralelo com o JumpStar. O CCERL define o conjunto de regras, o protocolo dos motores, um conjunto fixo de posições, os motores de referência, os artefactos de cada versão e a metodologia de classificação. O benchmark usa posições emparelhadas com troca de lados e publica os registos, para que os resultados sejam reprodutíveis e não meramente afirmados. Isto significa que futuros motores podem desafiar o JumpStar com o mesmo árbitro, em vez de se compararem 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. Pelo contrário, desenvolve estratégias sofisticadas, como atrasar o adversário, manter peças de bloqueio úteis e construir formações compactas, semelhantes a triângulos, que restringem o trânsito em corredores importantes.

Esse estilo passa facilmente despercebido se as Damas Chinesas forem vistas apenas como uma corrida para a frente. Como as peças nunca são capturadas, uma forma defensiva pode ter importância durante muitos turnos: pode negar uma escada de saltos, obrigar o adversário a contornar o congestionamento ou ganhar tempo suficiente para as peças do próprio modelo concluírem o percurso. Algumas das ideias mais fortes do JumpStar podem, por isso, ter a ver com controlar a geometria, e não apenas com avançar mais depressa.

O ciclo de pesquisa e treino

Em termos 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 ronda seguinte de pesquisa.

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

A força prática veio de tornar esse ciclo suficientemente barato para ser executado repetidamente: processos de autojogo nativos em C++, geração eficiente de jogadas, avaliação de folhas em lote, transposições, reutilização de subárvores, registos compactos e compilações de produção otimizadas para hardware Apple local.

Uma parte importante dessa compressão veio de usar o Codex com o GPT-5.5 como parceiro de implementação e investigação. O Codex ajudou a inspecionar o código, a identificar estrangulamentos, a reescrever os caminhos críticos, a analisar registos de treino, a preparar execuções do benchmark e a manter várias linhas de experiências em andamento ao mesmo tempo. Os ganhos mais importantes foram práticos: grandes acelerações no autojogo e na avaliação, reduções de memória de cerca de 98% no processo de treino, para que o trabalho coubesse na minha máquina local, e automação suficiente para continuar a melhorar o motor enquanto mantinha o meu trabalho a tempo inteiro como CEO da Edia.

O projeto avançou invulgarmente depressa porque o ciclo não era apenas o autojogo do modelo; era também um ciclo iterativo de engenharia para todo o sistema à sua volta. O Codex tornou possível executar uma experiência, examinar o modo de falha, otimizar o código, voltar a correr o benchmark, resumir o resultado e transformar a pergunta seguinte numa alteração concreta. Esse ciclo de feedback comprimiu trabalho que, de outro modo, poderia ter levado meses de infraestrutura, ferramentas, frontend, benchmark e redação em cerca de uma semana, desde a descoberta do tabuleiro até ao lançamento público.

A contabilização local do Codex dá uma ideia aproximada da escala dessa colaboração. Nas linhas de trabalho do projeto visíveis na base de dados local de estado do Codex, o total registado em tokens_used foi de aproximadamente 559.9M tokens. Estes números incluem contexto, resultados de ferramentas, efeitos de contexto em cache, contabilização de raciocínio/resultados e linhas de trabalho sobrepostas, pelo que devem ser lidos como uma métrica do processo e não como uma medição científica de capacidade de computação.

O CCERL e o benchmark público

As Damas Chinesas não têm uma escada pública de motores consolidada como o xadrez e o Go, o que torna difícil avaliar a força e o progresso dos motores. O CCERL preenche esse vazio. O CCERL é o primeiro benchmark público para avaliar a força de motores de IA de Damas Chinesas. Com base em conceitos semelhantes aos do xadrez e do Go, o CCERL oferece regras fixas, posições iniciais auditadas, trocas de lados emparelhadas, registos de jogos descarregáveis e referências públicas de base.

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

Acredito que o JumpStar atingiu uma força quase sobre-humana nas Damas Chinesas, no perfil de regras para dois jogadores, usando a capacidade de computação local de um MacBook. Mais importante ainda, o CCERL dá a todos os futuros contribuidores um objetivo: modificar o JumpStar, construir um novo modelo, adaptar com mais fidelidade um motor existente, acrescentar melhores posições ou submeter um desafiante com o mesmo árbitro.

Trabalho futuro

O JumpStar não pretende ser apenas um bot privado. O projeto está a tentar tornar-se quatro coisas:

• Um modelo de IA público e forte. O JumpStar tem uma licença aberta e este site é gratuito. Qualquer pessoa pode jogar contra o JumpStar ou tentar melhorá-lo por si própria. O JumpStar foi treinado inteiramente num MacBook M4. Mais capacidade de computação irá, com certeza, melhorar o seu desempenho.
• Infraestrutura pública de benchmark. O xadrez e o Go têm comunidades onde os motores podem ser testados, comparados e melhorados. O CCERL traz essa mesma infraestrutura às Damas Chinesas: regras claras, partidas reprodutíveis, registos públicos e um caminho para que outras pessoas construam os seus próprios modelos.
• Investigação sobre o próprio jogo. Uma IA forte muda aquilo que conseguimos ver. Quero perceber como é o bom jogo, como evoluem as aberturas, porque é que os tabuleiros congestionados se comportam como se comportam e o que acontece nos jogos de três, quatro e seis jogadores quando o meio do tabuleiro se torna um engarrafamento de possibilidades.
• Variantes com vários jogadores. O modelo para dois jogadores é só o começo. As perguntas mais desafiantes surgem quando o tabuleiro fica mais cheio: três jogadores, quatro jogadores, seis jogadores, alianças que mudam, caminhos bloqueados e aberturas estranhas que emergem do próprio jogo. Quero descobrir como é o jogo forte também aí e em tabuleiros muito maiores do que o padrão. As complexidades e os padrões que vão surgir serão fascinantes.

Espero que o JumpStar incentive mais pessoas a pensar nas Damas Chinesas, a jogá-las, a estudá-las e a construir à sua volta.