Çin daması JumpStar

JumpStar, dünyanın en güçlü Çin daması yapay zeka motorudur

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 daması yapay zekası neden ilginç?

Satranç ve Go'nun arkasında onlarca yıllık herkese açık yapay zeka çalışması var: motorlar, kıyaslamalar, derecelendirme listeleri ve paylaşılan oyun kayıtları. Çin damasında bunların çok azı var, oysa tam da yapay zekanın incelemekte iyi olduğu türden bir oyun. Gizli bilgi yok, şans yok ve kazanmanın açık bir yolu var.

Üstelik oyun hızla karmaşıklaşır. JumpStar'ın iki oyunculu kurallarında 14 geçerli ilk hamle vardır, ilk iki hamle 196 farklı şekilde oynanabilir, üçüncü hamlede bu sayı 4.760'a çıkar. İlerleyen aşamalarda zincirleme atlamalar ve kalabalık şeritler, iyi hamleleri görmeyi kuralların düşündürdüğünden çok daha zor 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. Tüm JumpStar modelleri, ünlü satranç ve Go motorlarının arkasındaki büyük GPU kümelerinde değil, bir MacBook M4 üzerinde eğitildi.

Hedef insanüstü oyun ve bu iddia sınanmak için ortaya konuyor: JumpStar iki oyunculu kurallarda insanüstü ya da buna yakın görünüyor ve CCERL, gelecekteki her motorun buna meydan okumasına olanak tanıyor.

Sistem

JumpStar yalnızca eğitilmiş bir model değil, eksiksiz bir motor ve kıyaslama sistemidir.

  • Kurallar ve arama. 121 delikli tahtanın kompakt bir modeli, katı iki oyunculu kurallar, adımlar ve çoklu atlama zincirleri için hızlı hamle üretimi ve bir maç yürütücüsü. Kurallar bilerek açıkça tanımlandı; böylece bir motor bir üçgende kamp kurarak ya da hakem programının bir açığından yararlanarak kazanamaz.
  • Kendi kendine oynayarak eğitim. JumpStar kendi kendine oynar ve bu oyunlar, bir sonraki arama turuna yön veren bir politika/değer modelini eğitir. JumpStar_60 modeli 512x4 boyutlu bir ağdır; yaklaşık 10.36M parametresi vardır ve 1.8M yeniden analiz edilmiş pozisyonla eğitilmiştir.
  • Herkese açık kıyaslama. Çin daması için herkese açık bir motor sıralaması yoktu, bu yüzden JumpStar ile birlikte CCERL-2P10-v2'yi geliştirdim. CCERL kuralları, motor protokolünü, sabit bir başlangıç pozisyonları setini, temel motorları ve derecelendirmelerin nasıl hesaplandığını tanımlar; sonuçlar kontrol edilebilsin diye de her oyun kaydını yayımlar.

JumpStar Çin damasını nasıl oynar?

JumpStar çoğu zaman sadece yarışmakla kalmaz. Rakibi yavaşlatır, işe yarayan engelleyici taşları yerinde tutar ve tahtanın ortasından atlamayı zorlaştıran kompakt üçgen şekiller kurar.

Taşlar hiç alınmadığı için savunmacı bir şekil birçok sıra boyunca yerinde kalabilir. Bir atlama yolunu kapatabilir, rakibi dolaşmaya zorlayabilir ve JumpStar'ın kendi taşlarının hedefe ulaşması için zaman kazandırabilir.

Kazandıran açılış kalıbı

Kazandıran açılışın tekrarı 2. Oyuncunun son atlamasının vurgulandığı sekiz hamlelik bir açılış dizisi.
# Oyuncu Tür
JumpStar'ın savunmacı üçgen şekli JumpStar'ın ortadan geçen atlamaları zorlaştıran ve rakip taşları dışarıya iten merkezi bir şekil oluşturduğu, gerçek bir oyundan alınmış pozisyon.
Ortayı kapatın. JumpStar çoğu zaman, merkezdeki şeritlerden atlamayı zorlaştıran ve rakip taşları dışarıya doğru iten, üçgene benzer iki kompakt cephe oluşturur.
JumpStar'ın uzun oyun sonu zinciri JumpStar'ın taşlarını karşıdaki hedefe doğru uzun bir atlama zinciri oluşturacak şekilde aralıklandırdığı, gerçek bir oyundan alınmış pozisyon.
Zincirlerle bitirin. Daha sonra aynı aralık içgüdüleri, geride kalan taşları verimli biçimde eve getiren uzun merdivenler yaratır.

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.