JumpStar este cel mai puternic motor IA din lume pentru Dame chinezești
Originea
Am construit JumpStar pentru mama mea. Proiectul a început pe 15 mai 2026, în Indiana, când îi ajutam pe părinții mei să se mute din casa în care am crescut. În timp ce le împachetam lucrurile, am găsit vechea noastră tablă de Dame chinezești și ne-am amintit cât de distractiv era să jucăm împreună, în familie.
După ce eu și fratele meu am plecat la facultate, mama încercase să găsească aplicații de Dame chinezești pentru iPhone ca să poată juca în continuare singură, dar niciuna nu era bună. Având în vedere succesele AlphaGo și Stockfish, credeam că există cu siguranță multe motoare IA open source puternice pentru Dame chinezești - dar nu există. În ciuda popularității și eleganței sale, jocul Dame chinezești primise surprinzător de puțină atenție din partea comunității IA. Acest gol m-a determinat să construiesc JumpStar.
Scopul meu a fost să construiesc primul motor IA supraomenesc pentru Dame chinezești. Un adversar computerizat puternic i-ar permite mamei să joace în continuare chiar și atunci când eu și fratele meu nu suntem prin preajmă. Un motor IA supraomenesc ar putea chiar să descopere tipare și strategii noi și frumoase ale jocului, care nu erau încă larg cunoscute.
De aceea proiectul a devenit și public. Un motor privat puternic este interesant, dar e greu pentru altcineva să-l evalueze sau să-l îmbunătățească. Benchmarkul public pentru IA la Dame chinezești transformă munca într-un lucru verificabil: un set de reguli, un protocol, o suită de poziții, referințe de bază, jurnale și un model JumpStar cu nume, pe care alte sisteme îl pot provoca.
De ce este interesantă IA pentru Dame chinezești
Șahul și Go au în spate decenii de muncă publică în IA: motoare, benchmarkuri, clasamente și arhive publice de partide. Dame chinezești are foarte puțin din toate acestea, deși e exact genul de joc pe care IA îl studiază bine. Nu există informații ascunse, nici noroc, iar felul în care câștigi e clar.
În plus, se complică repede. În regulile JumpStar pentru doi jucători există 14 mutări inițiale legale, 196 de variante pentru primele două mutări și 4.760 după a treia. Mai târziu, săriturile în lanț și culoarele aglomerate fac mutările bune mult mai greu de văzut decât ar sugera regulile.
Ce este JumpStar
JumpStar este un motor de Dame chinezești antrenat prin self-play, construit pe un nucleu compact de reguli și căutare în C++20, un model neuronal de politică/valoare și căutare Monte Carlo în arbore. Cel mai puternic checkpoint public al său, JumpStar_60, este actualul campion al benchmarkului CCERL-2P10-v2. Toate modelele JumpStar au fost antrenate pe un MacBook M4, nu pe marile clustere GPU din spatele celebrelor motoare de șah și Go.
Scopul este jocul supraomenesc, iar afirmația e făcută ca să fie testată: în regulile pentru doi jucători, JumpStar pare supraomenesc sau aproape, iar CCERL permite oricărui motor viitor să conteste asta.
Sistemul
JumpStar este un motor și un benchmark complet, nu doar un model antrenat.
- Reguli și căutare. Un model compact al tablei cu 121 de găuri, cu reguli stricte pentru doi jucători, generare rapidă a pașilor și a lanțurilor de sărituri și un program de rulare a meciurilor. Regulile sunt explicite intenționat, ca un motor să nu poată câștiga staționând într-un triunghi sau exploatând o ciudățenie a arbitrului.
- Antrenare prin self-play. JumpStar joacă împotriva lui însuși, iar acele partide antrenează un model de politică/valoare care ghidează următoarea rundă de căutare.
JumpStar_60este o rețea512x4cu aproximativ10.36Mde parametri, antrenată pe1.8Mde poziții reanalizate. - Benchmarking public. Nu exista niciun clasament public al motoarelor de Dame chinezești, așa că am construit
CCERL-2P10-v2în paralel cu JumpStar. Benchmarkul definește regulile, protocolul motoarelor, un set fix de poziții de pornire, motoarele de referință și modul de calcul al ratingurilor și publică jurnalul fiecărei partide, ca rezultatele să poată fi verificate.
Cum joacă JumpStar Dame chinezești
Adesea, JumpStar nu doar aleargă spre țintă. Îl încetinește pe adversar, ține pe loc piese utile de blocaj și construiește forme compacte în triunghi, care îngreunează săriturile prin mijlocul tablei.
Pentru că piesele nu sunt niciodată capturate, o formă defensivă poate rezista multe ture. Poate tăia un traseu de sărituri, îl poate obliga pe adversar să ocolească și îi poate câștiga lui JumpStar timp ca propriile piese să ajungă acasă.
Tipar de deschidere câștigător
| # | Jucător | Tip |
|---|
Bucla de căutare și antrenare
La nivel general, JumpStar urmează modelul AlphaZero: self-play-ul produce ținte de vizite MCTS, aceste ținte antrenează un model de politică/valoare, iar modelul mai puternic ghidează următoarea rundă de căutare.
self-play -> ținte de vizite MCTS -> antrenare politică/valoare -> căutare mai puternică -> self-play
Puterea practică a venit din faptul că bucla a devenit suficient de ieftină pentru a rula în mod repetat: procese native de self-play în C++, generare eficientă a mutărilor, evaluare în loturi a frunzelor, transpoziții, reutilizarea subarborilor, înregistrări compacte și versiuni de lansare optimizate pentru hardware-ul Apple local.
O parte importantă din această comprimare a venit din folosirea Codex cu GPT-5.5 ca partener de implementare și cercetare. Codex a ajutat la inspectarea codului, profilarea blocajelor de performanță, rescrierea porțiunilor critice, analiza jurnalelor de antrenare, împachetarea rulărilor de benchmark și menținerea simultană a mai multor fire de experimente. Cele mai importante câștiguri au fost practice: accelerări mari ale self-play-ului și evaluării, reduceri ale memoriei de aproximativ 98% în etapa de antrenare, astfel încât munca să încapă pe calculatorul meu local, și suficientă automatizare pentru a continua să îmbunătățesc motorul în timp ce îmi făceam și treaba de zi cu zi, conducând Edia ca CEO.
Proiectul a avansat neobișnuit de repede pentru că bucla nu era doar self-play pentru model; era și o buclă iterativă de inginerie pentru sistemul din jurul lui. Codex a făcut posibil să rulez un experiment, să inspectez modul de eșec, să optimizez codul, să rulez din nou benchmarkul, să rezum rezultatul și să transform următoarea întrebare într-un patch concret. Acest ciclu de feedback a comprimat o muncă ce altfel ar fi putut dura luni de infrastructură, instrumente, frontend, benchmark și redactare în aproximativ o săptămână, de la redescoperirea tablei până la lansarea publică.
Contabilizarea locală din Codex oferă o idee aproximativă despre amploarea acestei colaborări. În firele de lucru ale proiectului vizibile în baza de date locală de stare Codex, valorile tokens_used înregistrate au totalizat aproximativ 559.9M de tokeni. Aceste cifre includ contextul, rezultatele instrumentelor, efectele contextului din cache, contabilizarea raționamentului și a ieșirilor, precum și fire de lucru suprapuse, așa că ar trebui citite ca o măsură a procesului, nu ca o măsurare științifică a puterii de calcul.
CCERL și benchmarkul public
Dame chinezești nu are un clasament public matur al motoarelor, ca șahul și Go, ceea ce face dificilă evaluarea puterii și a progresului motoarelor. CCERL umple acest gol. CCERL este primul benchmark public pentru evaluarea puterii motoarelor IA de Dame chinezești. Pornind de la concepte similare din șah și Go, CCERL oferă reguli fixe, poziții de pornire auditate, schimbări de părți pereche, jurnale de partide descărcabile și referințe publice de bază.
Pe baza benchmarkurilor CCERL, JumpStar pare să fie, la mare distanță, cel mai puternic motor IA disponibil public din lume pentru Dame chinezești.
Cred că JumpStar a atins o putere aproape supraomenească la Dame chinezești în profilul de reguli pentru doi jucători, folosind puterea de calcul a unui MacBook local. Mai important, CCERL le oferă tuturor contribuitorilor viitori o țintă: să modifice JumpStar, să construiască un model nou, să porteze mai fidel un motor existent, să adauge poziții mai bune sau să trimită un rival sub același arbitru.
Planuri de viitor
JumpStar nu este gândit să fie doar un bot privat. Proiectul încearcă să devină patru lucruri:
- Un model IA public și puternic. JumpStar are licență deschisă, iar acest site este gratuit. Oricine poate juca împotriva lui JumpStar sau poate încerca să-l îmbunătățească. JumpStar a fost antrenat în întregime pe un MacBook M4. Mai multă putere de calcul îi va îmbunătăți cu siguranță performanța.
- Infrastructură publică de benchmark. Șahul și Go au comunități în care motoarele pot fi testate, comparate și îmbunătățite. CCERL aduce aceeași infrastructură la Dame chinezești: reguli clare, meciuri reproductibile, jurnale publice și o cale prin care alți oameni își pot construi propriile modele.
- Cercetare asupra jocului în sine. O IA puternică schimbă ceea ce putem vedea. Vreau să înțeleg cum arată jocul bun, cum evoluează deschiderile, de ce tablele aglomerate se comportă așa cum se comportă și ce se întâmplă în partidele cu trei, patru și șase jucători, când mijlocul tablei devine un ambuteiaj de posibilități.
- Variante cu mai mulți jucători. Modelul pentru doi jucători este doar începutul. Întrebările cu adevărat fascinante încep când tabla devine mai aglomerată: trei jucători, patru jucători, șase jucători, alianțe schimbătoare, drumuri blocate și deschideri ciudate, apărute de la sine. Vreau să aflu cum arată jocul puternic și acolo, precum și pe table mult mai mari decât cea standard. Complexitatea și tiparele care vor apărea vor fi hipnotizante.
Sper ca JumpStar să încurajeze mai mulți oameni să se gândească la Dame chinezești, să joace, să studieze jocul și să construiască în jurul lui.