Damas Chinesas JumpStar

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

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.

Porque é que a IA de Damas Chinesas é interessante

O xadrez e o Go têm décadas de trabalho público em IA: motores, benchmarks, listas de classificação e registos de jogos partilhados. As Damas Chinesas têm muito pouco disso, apesar de serem o tipo de jogo que a IA sabe estudar bem. Não há informação escondida, não há sorte e há uma forma clara de ganhar.

Além disso, complica-se depressa. Nas regras para dois jogadores do JumpStar, há 14 primeiras jogadas legais, 196 formas de decorrerem as duas primeiras jogadas e 4760 à terceira. Mais adiante, os saltos em cadeia e os corredores congestionados tornam as boas jogadas muito mais difíceis de ver 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. Todos os modelos JumpStar foram treinados num MacBook M4, e não nos grandes clusters de GPU por trás dos famosos motores de xadrez e Go.

O objetivo é jogar a um nível sobre-humano, e a afirmação foi feita para ser testada: o JumpStar parece sobre-humano, ou perto disso, nas regras para dois jogadores, e o CCERL permite que qualquer motor futuro o ponha à prova.

O sistema

O JumpStar é um motor completo com benchmark próprio, e não apenas um modelo treinado.

  • Regras e pesquisa. Um modelo compacto do tabuleiro de 121 casas, com regras estritas para dois jogadores, geração rápida de jogadas de passo e de cadeias de vários saltos, e um executor de partidas. As regras são explícitas de propósito, para que um motor não possa ganhar a acampar num triângulo nem a explorar uma peculiaridade do árbitro.
  • Treino por autojogo. O JumpStar joga contra si próprio, e esses jogos treinam um modelo de política/valor que orienta a ronda seguinte de pesquisa. O JumpStar_60 é uma rede 512x4 com perto de 10.36M parâmetros, treinada com 1.8M posições reanalisadas.
  • Benchmark público. Não existia uma classificação pública de motores para as Damas Chinesas, por isso criei o CCERL-2P10-v2 em paralelo com o JumpStar. Define as regras, o protocolo dos motores, um conjunto fixo de posições iniciais, os motores de referência e a forma de calcular as classificações, e publica o registo de cada jogo para que os resultados possam ser verificados.

Como o JumpStar joga Damas Chinesas

Muitas vezes, o JumpStar não se limita a correr. Atrasa o adversário, mantém no lugar peças de bloqueio úteis e constrói formas compactas em triângulo que tornam difícil saltar pelo meio do tabuleiro.

Como as peças nunca são capturadas, uma forma defensiva pode durar muitos turnos. Pode tirar ao adversário um percurso de saltos, obrigá-lo a dar a volta e ganhar tempo para as peças do JumpStar chegarem ao destino.

Padrão de abertura vencedor

Repetição da abertura vencedora Uma sequência de abertura de oito jogadas, com o último salto do Jogador 2 destacado.
# Jogador Tipo
Formação defensiva em triângulo do JumpStar Uma posição de um jogo real em que o JumpStar forma uma estrutura central que desencoraja saltos pelo meio e empurra as peças adversárias para fora.
Fechar o meio. O JumpStar forma muitas vezes duas frentes compactas, semelhantes a triângulos, que tornam difícil saltar pelos corredores centrais e empurram as peças adversárias para as laterais.
Cadeia longa do JumpStar no final de jogo Uma posição de um jogo real em que o JumpStar espaça as peças numa longa cadeia de saltos em direção ao destino oposto.
Concluir em cadeia. Mais tarde, esse mesmo instinto de espaçamento cria escadas longas que levam as peças mais atrasadas para casa com eficiência.

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.