Çin daması yapay zekası

JumpStar, dünyanın en güçlü Çin daması yapay zeka motorudur

Artık iPhone'da Çin daması: JumpStar En güçlü yapay zekaya karşı çevrimdışı oynayın, günlük bulmacaları çözün, ipucu alın ve tekrarları kaydedin. İndir

Başlangıç

JumpStar'ı annem için yaptım. Proje 15 Mayıs 2026'da Indiana'da, ailemin çocukluğumuzun geçtiği evden taşınmasına yardım ederken başladı. Eşyalarını toplarken eski Çin daması tahtamızı bulduk ve aile olarak oynamanın ne kadar eğlenceli olduğunu anmaya başladık.

Kardeşim ve ben üniversiteye gittikten sonra annem tek başına oynamaya devam edebilmek için Çin daması iPhone uygulamaları aramıştı, ama hiçbiri iyi değildi. AlphaGo ve Stockfish'in başarıları düşünülünce, Çin daması için mutlaka birçok güçlü açık kaynaklı yapay zeka motoru vardır diye düşündüm; ama yoktu. Popülerliğine ve zarafetine rağmen Çin daması, yapay zeka topluluğundan şaşırtıcı derecede az ilgi görmüştü. Beni JumpStar'ı yapmaya yönelten de bu boşluk oldu.

Amacım, Çin daması için insanüstü seviyedeki ilk yapay zeka motorunu yapmaktı. Güçlü bir bilgisayar rakibi, kardeşim ve ben yakında olmadığımızda bile annemin oynamaya devam etmesini sağlayacaktı. İnsanüstü bir yapay zeka motoru, oyunun henüz yaygın olarak bilinmeyen güzel yeni örüntülerini ve stratejilerini bile ortaya çıkarabilirdi.

Projenin herkese açık hâle gelmesinin nedeni de buydu. Güçlü ama kapalı bir motor ilginçtir, fakat başka birinin onu değerlendirmesi ya da geliştirmesi zordur. Herkese açık Çin daması yapay zeka kıyaslaması, çalışmayı incelenebilir bir şeye dönüştürür: bir kural seti, bir protokol, bir pozisyon seti, temel motorlar, kayıtlar ve diğer sistemlerin meydan okuyabileceği, adı belli bir JumpStar modeli.

Çin damasının güzelliği

Çin daması, altı uçlu, yıldız biçimli bir tahta üzerinde yapılan bir yarıştır. Her oyuncu bir üçgende on taşlık bir grupla başlar ve tüm taşlarını karşı üçgene ilk taşıyan olmaya çalışır. Oyun iki, üç, dört veya altı kişiyle oynanabilir. Yalnızca iki tür hareket vardır, adım ve atlama; taş alma imkânı da yoktur. Tahtanın bu kadar canlı hissettirmesinin bir nedeni de budur: basit hareket kuralları, oyuncular atlama zincirleri kurmaya ve rakiplerin aynısını yapmasını engellemeye çalışırken karmaşık trafik biçimleri doğurur.

Adına rağmen Çin daması Çin'de ortaya çıkmamıştır ve aslında bir dama oyunu da değildir. Oyunun kökeni genellikle, Halma'nın 1892'de yayımlanan, yıldız tahtalı Alman uyarlaması Stern-Halma'ya, yani Yıldız Halma'ya dayandırılır. Bilinen İngilizce adı daha sonra Amerikan pazarlamasıyla ortaya çıktı ve oyun o zamandan beri dünya çapında popüler bir masa oyunu hâline geldi.

Çin daması nasıl oynanır?

Sıranız geldiğinde taşlarınızdan birini hareket ettirirsiniz. Bir taş komşu boş bir deliğe adım atabilir ya da komşu dolu bir deliğin üzerinden atlayarak arkasındaki boş deliğe inebilir. Atlamalar zincirlenebilir; aralıklar uygunsa tek bir hamle tahtanın büyük bir bölümünü geçebilir. Üzerinden atlanan taşlar tahtada kalır. Alınmazlar.

Amaç, tüm taşlarınızı başlangıç üçgeninizin tam karşısındaki üçgene taşımaktır. İyi oyun yalnızca ileri koşmaktan ibaret değildir. İşe yarar merdivenler kurmanız, kendi taşlarınızı engellemekten kaçınmanız, kalabalık merkezi iyi kullanmanız ve şimdi yavaş görünen bir hamlenin ne zaman daha sonra daha hızlı bir rota yaratacağına karar vermeniz gerekir.

Derli toplu bir başvuru kaynağı için Çin daması kurallarının tamamını okuyun. Oyununuzu geliştirmeye hazır olduğunuzda JumpStar strateji ve taktik rehberiyle devam edin.

Çin daması yapay zekası neden ilginç?

Klasik masa oyunları onlarca yıldır yapay zekanın merkezinde yer alıyor. IBM'in Deep Blue'su 1997'de dünya satranç şampiyonu Garry Kasparov'u yendi. AlphaGo 2016'da Lee Sedol'u yendi. Bu oyunlar dönüm noktası hâline geldi, çünkü güçlü bilgisayar oyunu insanların onları anlama biçimini değiştirdi.

Çin damasının ise benzer, herkese açık bir yapay zeka ekosistemi olmadı. Satranç ve Go ile karşılaştırıldığında çok daha az motor, kıyaslama, derecelendirme listesi, herkese açık oyun kaydı veya ortak araştırma aracı var. Bu boşluk şaşırtıcı, çünkü oyun tam da yapay zeka sistemlerinin incelemeyi sevdiği türden bir yapıya sahip: tam bilgi, rastlantısallığın olmaması, net bir kazanma koşulu ve muazzam sayıda olası gelecek.

Sakin başlangıç pozisyonu bile hızla dallanır. JumpStar'ın iki oyunculu kural setinde başlangıç tahtasında 14 geçerli ilk hamle vardır. İki taraf da birer kez oynadıktan sonra 196 olası iki yarım hamlelik dizi vardır. Üçüncü derinlikte, başlangıç pozisyonundan 4.760 olası hamle dizisi vardır. Oyunun ilerleyen bölümlerinde zincirleme atlamalar ve kalabalık şeritler, seçimleri kuralların düşündürdüğünden çok daha az belirgin hâle getirir.

JumpStar nedir?

JumpStar; kompakt bir C++20 kural/arama çekirdeği, bir sinir ağı politika/değer modeli ve Monte Carlo ağaç araması üzerine kurulu, kendi kendine oynayarak eğitilmiş bir Çin daması motorudur. Herkese açık en güçlü kontrol noktası olan JumpStar_60, güncel CCERL-2P10-v2 kıyaslama şampiyonudur. Şaşırtıcı olan sonuç verimliliktir. Tüm JumpStar modelleri, Go ve satrançtaki dönüm noktası sistemleriyle ilişkilendirilen büyük TPU/GPU kümeleri yerine bir MacBook M4 üzerinde eğitildi.

Hedef insanüstü oyun, ama kamuya açık iddia bilerek test edilebilir tutuluyor: JumpStar, iki oyunculu kural profilinde insanüstü ya da insanüstüne yakın görünüyor ve CCERL, gelecekteki motorlar bu sonuca meydan okuyabilsin diye var.

Sistem

JumpStar yalnızca bir model kontrol noktası değildir. Eksiksiz bir motor ve kıyaslama yığınıdır: tahta gösterimi, kurallar, arama, kendi kendine oynama, eğitim kayıtları, hakem araçları ve herkese açık kanıtlar.

• Kurallar ve arama. JumpStar; 121 delikli yıldız tahtanın kompakt, bitmap tarzı bir gösterimini, katı iki oyunculu kuralları, geçerli adım ve çok atlamalı hamle üretimini, hedef kilitlemeyi, bitiş kontrollerini, deterministik hash'lemeyi, temel botları ve yerel bir maç yürütücüsünü kullanır. Kural uygulaması bilerek açık tutuldu, çünkü aksi hâlde Çin daması motorları uç durumları istismar edebilir: ev veya hedef üçgenlerde kamp kurmak, yapay ablukalar oluşturmak ya da daha iyi oynayarak değil hakemin tuhaflıklarından yararlanarak kazanmak. JumpStar'ın kural profili, tıkama hilelerini değil; temiz yarışı, güçlü geometriyi ve tekrarlanabilir aramayı ödüllendirmek için tasarlandı.
• Kendi kendine oynayarak eğitim. Kendi kendine oynama ve yeniden analiz; tahta durumları, geçerli eylemler, MCTS ziyaret sayıları, oyun sonuçları ve ilerleme öznitelikleri üretir. Bu kayıtlar, bir sonraki arama turuna yön veren bir politika/değer modelini eğitir. JumpStar_60, yaklaşık 10.36M parametreli bir geometry_v1, 512x4 MLP'dir ve 1.8M örnekli, yeniden analiz edilmiş bir veri kümesiyle eğitilmiştir. Pratikteki asıl iş, bu döngüyü yerel donanımda tekrar tekrar çalıştırılabilecek kadar küçük ve hızlı hâle getirmekti.
• Herkese açık kıyaslama. Çin damasının hâlihazırda olgun, herkese açık bir motor sıralaması olmadığı için JumpStar'la birlikte CCERL-2P10-v2'yi geliştirdim. CCERL; kural setini, motor protokolünü, sabitlenmiş pozisyon setini, temel motorları, sürüm çıktılarını ve derecelendirme yöntemini tanımlar. Kıyaslama, taraflar değiştirilerek eşleştirilmiş pozisyonlar kullanır ve kayıtları yayımlar; böylece sonuçlar yalnızca iddia edilmekle kalmaz, tekrarlanabilir olur. Bu da gelecekteki motorların, belirsiz güç iddialarını karşılaştırmak yerine aynı hakem altında JumpStar'a meydan okuyabileceği anlamına gelir.

JumpStar Çin damasını nasıl oynar?

En ilginç niteliksel gözlemlerden biri, JumpStar'ın çoğu zaman basit bir yarış sezgiseli gibi oynamamasıdır. Bunun yerine rakibi yavaşlatmak, işe yarar engelleyici taşları korumak ve önemli koridorlardaki trafiği kısıtlayan, üçgene benzer kompakt dizilimler kurmak gibi gelişmiş stratejiler geliştirir.

Çin daması yalnızca ileriye doğru bir yarış olarak görülürse bu stil kolayca gözden kaçar. Taşlar asla alınmadığı için savunmacı bir şekil birçok sıra boyunca önemli olabilir: bir atlama merdivenini engelleyebilir, rakibi kalabalığın etrafından dolaşmaya zorlayabilir ya da modelin kendi taşlarının hedefe ulaşması için yeterli zaman kazandırabilir. Bu nedenle JumpStar'ın en güçlü fikirlerinden bazıları yalnızca daha hızlı ilerlemekle değil, geometriyi kontrol etmekle ilgili olabilir.

Arama ve eğitim döngüsü

Genel hatlarıyla JumpStar, AlphaZero modelini izler: kendi kendine oynama MCTS ziyaret hedefleri üretir, bu hedefler bir politika/değer modelini eğitir ve daha güçlü model bir sonraki arama turuna yön verir.

kendi kendine oynama -> MCTS ziyaret hedefleri -> politika/değer eğitimi -> daha güçlü arama -> kendi kendine oynama

Pratikteki güç, bu döngüyü tekrar tekrar çalıştırılabilecek kadar ucuz hâle getirmekten geldi: yerel C++ kendi kendine oynama işçileri, verimli hamle üretimi, toplu yaprak değerlendirmesi, transpozisyonlar, alt ağaçların yeniden kullanımı, kompakt kayıtlar ve yerel Apple donanımı için ayarlanmış sürüm derlemeleri.

Bu sıkıştırmanın büyük bir kısmı, Codex'i GPT-5.5 ile bir uygulama ve araştırma ortağı olarak kullanmaktan geldi. Codex kod tabanını incelemeye, darboğazların profilini çıkarmaya, sık çalışan kod yollarını yeniden yazmaya, eğitim kayıtlarını analiz etmeye, kıyaslama koşularını paketlemeye ve birden fazla deney kolunu aynı anda ilerletmeye yardım etti. En önemli kazanımlar pratikti: kendi kendine oynamada ve değerlendirmede büyük hızlanmalar, işin yerel makineme sığabilmesi için eğitim hattında yaklaşık %98'lik bellek azalması ve Edia'yı CEO olarak yönettiğim tam zamanlı işimi sürdürürken motoru geliştirmeye devam edebilecek kadar otomasyon.

Proje alışılmadık bir hızla ilerledi, çünkü döngü yalnızca model için kendi kendine oynama değildi; aynı zamanda modelin etrafındaki sistem için yinelemeli bir mühendislik döngüsüydü. Codex bir deney çalıştırmayı, hata biçimini incelemeyi, kodu optimize etmeyi, kıyaslamayı yeniden koşmayı, sonucu özetlemeyi ve bir sonraki soruyu somut bir yamaya dönüştürmeyi mümkün kıldı. Bu geri bildirim döngüsü, aksi hâlde aylar sürebilecek altyapı, araç, ön yüz, kıyaslama ve yazım işini; tahtanın ilk bulunuşundan herkese açık lansmana kadar yaklaşık bir haftaya sığdırdı.

Yerel Codex hesap kayıtları, bu iş birliğinin ölçeği hakkında kabaca bir fikir veriyor. Yerel Codex durum veritabanında görünen proje başlıklarının tamamında kaydedilen tokens_used toplamı yaklaşık 559.9M token'dı. Bu sayılar bağlamı, araç çıktısını, önbelleğe alınmış bağlamın etkilerini, akıl yürütme/çıktı hesaplamasını ve çakışan iş başlıklarını içerir; dolayısıyla bilimsel bir hesaplama ölçümü olarak değil, bir süreç metriği olarak okunmalıdır.

CCERL ve herkese açık kıyaslama

Çin damasının satranç ve Go'dakine benzer olgun, herkese açık bir motor sıralaması yok; bu da motor gücünü ve ilerlemeyi değerlendirmeyi zorlaştırıyor. CCERL bu boşluğu dolduruyor. CCERL, Çin daması yapay zeka motorlarının gücünü değerlendiren ilk herkese açık kıyaslamadır. Satranç ve Go'daki benzer kavramlara dayanan CCERL; sabit kurallar, denetlenmiş başlangıç pozisyonları, eşleştirilmiş taraf değişimleri, indirilebilir oyun kayıtları ve herkese açık temel motorlar sunar.

CCERL kıyaslamalarına göre JumpStar, açık ara dünyanın herkese açık en güçlü Çin daması yapay zeka motoru gibi görünüyor.

JumpStar'ın, yerel MacBook ölçeğinde bir hesaplama gücüyle, iki oyunculu kural profilinde insanüstüne yakın bir Çin daması gücüne ulaştığına inanıyorum. Daha da önemlisi CCERL, gelecekteki tüm katkıda bulunanlara bir hedef veriyor: JumpStar'ı değiştirin, yeni bir model yapın, mevcut bir motoru daha sadık biçimde uyarlayın, daha iyi pozisyonlar ekleyin ya da aynı hakem altında bir rakip gönderin.

Gelecek çalışmalar

JumpStar yalnızca kapalı bir bot olmak için yapılmadı. Proje dört şeye dönüşmeye çalışıyor:

• Güçlü, herkese açık bir yapay zeka modeli. JumpStar açık lisanslıdır ve bu web sitesi ücretsizdir. Herkes JumpStar'a karşı oynayabilir ya da onu kendisi geliştirmeyi deneyebilir. JumpStar tamamen bir MacBook M4 üzerinde eğitildi. Daha fazla hesaplama gücü performansı mutlaka artıracaktır.
• Herkese açık kıyaslama altyapısı. Satranç ve Go'nun, motorların test edilip karşılaştırılabildiği ve geliştirilebildiği toplulukları var. CCERL aynı altyapıyı Çin damasına getiriyor: net kurallar, tekrarlanabilir maçlar, herkese açık kayıtlar ve başkalarının kendi modellerini geliştirebileceği bir yol.
• Oyunun kendisi üzerine araştırma. Güçlü yapay zeka, görebildiklerimizi değiştirir. İyi oyunun neye benzediğini, açılışların nasıl evrildiğini, kalabalık tahtaların neden öyle davrandığını ve tahtanın ortası bir olasılıklar trafiğine dönüştüğünde üç, dört ve altı oyunculu oyunlarda neler olduğunu anlamak istiyorum.
• Çok oyunculu varyantlar. İki oyunculu model yalnızca bir başlangıç. Asıl çılgın sorular tahta kalabalıklaştığında başlıyor: üç oyuncu, dört oyuncu, altı oyuncu, değişen ittifaklar, kapanan yollar ve kendiliğinden ortaya çıkan tuhaf açılışlar. Orada ve standarttan çok daha büyük tahtalarda güçlü oyunun neye benzediğini de öğrenmek istiyorum. Ortaya çıkacak karmaşıklıklar ve örüntüler büyüleyici olacak.

Umarım JumpStar daha fazla insanı Çin daması üzerine düşünmeye, onu oynamaya, incelemeye ve onun etrafında bir şeyler inşa etmeye teşvik eder.