跳棋 AI

JumpStar 是世界上最强的跳棋 AI 引擎

现已登陆 iPhone JumpStar 跳棋 离线挑战最强 AI，完成每日谜题，获取提示，保存对局回放。 下载

缘起

JumpStar 是我为妈妈做的。这个项目始于 2026 年 5 月 15 日，当时我正在印第安纳州帮父母搬出我们从小长大的房子。收拾东西时，我们翻出了家里那副旧跳棋，聊起了当年一家人一起下棋有多开心。

我和哥哥去外地上大学后，妈妈曾想找一款 iPhone 跳棋应用，好让自己一个人也能继续玩，可是没有一款像样的。考虑到 AlphaGo 和 Stockfish 的成功，我以为跳棋肯定也有很多强大的开源 AI 引擎，但事实并非如此。尽管跳棋广受欢迎、设计精巧，AI 界对它的关注却出奇地少。正是这个空白，促使我做了 JumpStar。

我的目标是打造第一个超越人类水平的跳棋 AI 引擎。有了一个强大的电脑对手，即使我和哥哥不在身边，妈妈也能继续下棋。一个超越人类的 AI 引擎，甚至可能发现这个游戏中尚未广为人知的、美妙的新棋型和新策略。

这也是这个项目选择公开的原因。一个强大的私有引擎固然有趣，但别人很难评估或改进它。公开的跳棋 AI 基准测试让这项工作变得可以检验：一套规则、一份协议、一组测试局面、若干基线引擎、对局记录，以及一个有名称、可供其他系统挑战的 JumpStar 模型。

跳棋之美

跳棋是在六角星形棋盘上进行的一场竞速。每位玩家开局时在一个三角里摆好十枚棋子，目标是率先把所有棋子移进对面的三角。跳棋可以两人、三人、四人或六人一起玩。走法只有两种，走一步和跳，而且不能吃子。这正是棋盘显得如此生动的原因之一：简单的走法规则，会在玩家搭建连跳、同时阻止对手连跳的过程中，演化出复杂的“交通”局面。

尽管英文名叫 Chinese Checkers，这个游戏并非起源于中国，也算不上真正的西洋跳棋（checkers）。人们通常把它追溯到 Stern-Halma（星形哈尔玛），这是 1892 年在德国出版的一种星形棋盘版哈尔玛棋。为人熟知的英文名称是后来通过美国的营销才出现的，此后它成为风靡全球的棋盘游戏。

跳棋怎么玩

轮到你时，移动自己的一枚棋子。棋子可以走一步，移到相邻的空位上；也可以跳过一个相邻的有棋子的位置，落到它后面的空位上。跳可以连起来，所以只要间距合适，一步棋就可能跨越棋盘的一大片区域。被跳过的棋子留在棋盘上，不会被吃掉。

目标是把你所有的棋子都移进出发三角正对面的那个三角。下得好并不只是一味往前冲。你需要搭建有用的阶梯，避免挡住自己的棋子，善用拥挤的中路，还要判断哪些现在看起来慢的走法会在之后创造出更快的路线。

如需一份简明的参考，请阅读完整跳棋规则。准备好提高棋力时，可以继续阅读 JumpStar 技巧与战术攻略。

为什么跳棋 AI 值得研究

几十年来，经典棋类游戏一直是 AI 研究的核心。1997 年，IBM 的深蓝击败了国际象棋世界冠军加里·卡斯帕罗夫。2016 年，AlphaGo 击败了李世石。这些游戏之所以成为里程碑，是因为强大的计算机棋手改变了人们对它们的理解。

跳棋还没有形成同样的公开 AI 生态。与国际象棋和围棋相比，跳棋的引擎、基准测试、等级分榜单、公开棋谱和共享研究工具都少得多。这个空白令人意外，因为跳棋恰好具备 AI 系统喜欢研究的那种结构：完全信息、没有随机性、胜负条件清晰，以及数量庞大的可能走向。

即使是平静的开局，分支也增长得很快。在 JumpStar 的两人规则中，初始局面有 14 种合法的首步。双方各走一步后，共有 196 种可能的两步序列。到第三步时，从初始局面出发已有 4,760 种可能的走法序列。到了对局后期，连跳和拥挤的通道会让选择变得远比规则看上去要难以判断。

JumpStar 是什么

JumpStar 是一个通过自我对弈训练的跳棋引擎，由精简的 C++20 规则与搜索核心、神经网络策略/价值模型以及蒙特卡洛树搜索构成。它最强的公开检查点 JumpStar_60 是目前 CCERL-2P10-v2 基准测试的冠军。令人意外的是它的效率：所有 JumpStar 模型都是在一台 MacBook M4 上训练的，而不是依靠那些里程碑式围棋和国际象棋系统所用的大型 TPU/GPU 集群。

目标是超越人类的棋力，但公开的结论刻意保持可检验：在两人规则下，JumpStar 看起来已经达到或接近超越人类的水平，而 CCERL 的存在，正是为了让未来的引擎可以挑战这一结果。

系统构成

JumpStar 不只是一个模型检查点，而是一整套引擎与基准测试体系：棋盘表示、规则、搜索、自我对弈、训练记录、裁判工具和公开证据。

• 规则与搜索。JumpStar 用精简的位图式结构表示 121 孔的星形棋盘，并实现了严格的两人规则、合法的走一步与多段连跳生成、目标锁定、终局判定、确定性哈希、基线机器人以及原生对局运行器。规则实现刻意写得非常明确，否则跳棋引擎就可能钻边界情况的空子：赖在出发或目标三角里不走、人为制造封锁，或者靠裁判程序的漏洞而非更好的棋艺取胜。JumpStar 的规则设定旨在奖励干净的竞速、出色的棋形和可复现的搜索，而不是各种反堵营的小把戏。
• 自我对弈训练。自我对弈和重新分析会生成棋盘状态、合法动作、MCTS 访问次数、对局结果和进度特征。这些记录用来训练策略/价值模型，再由模型指导下一轮搜索。JumpStar_60 是一个 geometry_v1、512x4 的 MLP，约有 10.36M 个参数，基于 1.8M 条经过重新分析的样本数据集训练而成。真正的工程难点在于让这个循环足够小、足够快，能在本地硬件上反复运行。
• 公开基准测试。由于跳棋此前没有成熟的公开引擎排行榜，我在开发 JumpStar 的同时制定了 CCERL-2P10-v2。CCERL 定义了规则集、引擎协议、固定的测试局面集、基线引擎、发布产物和等级分计算方法。该基准测试使用交换先后手的成对局面，并公开对局记录，让结果可以复现，而不只是一句声明。这意味着未来的引擎可以在同一个裁判下挑战 JumpStar，而不是比较含糊的强度宣称。

JumpStar 怎么下跳棋

最有意思的定性观察之一是：JumpStar 的下法往往不像简单的竞速启发式。它会发展出更精妙的策略，比如拖慢对手、保留有用的拦截棋子，以及搭建紧凑的三角形阵形，限制对手通过关键通道。

如果只把跳棋看作一场比谁前进得快的竞速，就很容易忽略这种风格。由于棋子永远不会被吃掉，一个防守棋形可以在许多回合内持续发挥作用：它可以切断对手的连跳阶梯，迫使对手绕开拥堵区域，或者为模型自己的棋子赢得足够的时间完成转化。因此，JumpStar 最强的一些思路，或许在于控制棋形，而不仅仅是前进得更快。

搜索与训练循环

从整体上看，JumpStar 遵循 AlphaZero 的模式：自我对弈产生 MCTS 访问次数目标，这些目标用来训练策略/价值模型，更强的模型再指导下一轮搜索。

自我对弈 -> MCTS 访问次数目标 -> 策略/价值训练 -> 更强的搜索 -> 自我对弈

实际的棋力来自让这个循环的成本足够低，能够反复运行：原生 C++ 自我对弈进程、高效的走法生成、批量叶节点评估、置换表、子树复用、精简的记录格式，以及针对本地 Apple 硬件优化的发布版构建。

这种压缩很大程度上得益于把搭载 GPT-5.5 的 Codex 当作实现与研究伙伴。Codex 帮助我梳理代码库、分析性能瓶颈、重写热点路径、分析训练日志、打包基准测试任务，并让多条实验线同时推进。最重要的收获都很实际：自我对弈和评估大幅提速，训练流程的内存占用减少了约 98%，让整个工作能在我的本地电脑上跑起来；自动化程度也足够高，让我在担任 Edia CEO 的全职工作之余，仍能持续改进引擎。

这个项目推进得异常迅速，因为这个循环不只是模型的自我对弈，也是围绕它的整个系统的迭代工程循环。有了 Codex，我可以运行一次实验、检查失败的原因、优化代码、重新跑基准测试、总结结果，再把下一个问题变成一个具体的补丁。这个反馈循环把原本可能需要数月的基础设施、工具、前端、基准测试和撰写工作，压缩到了大约一周：从翻出那副旧棋盘到公开发布。

本地 Codex 的统计数据可以大致反映这次协作的规模。在本地 Codex 状态数据库中可见的项目会话里，记录的 tokens_used 总计约 559.9M 个 token。这些数字包含上下文、工具输出、缓存上下文的影响、推理/输出的计量以及相互重叠的工作会话，因此应视为一项过程指标，而不是对算力的科学测量。

CCERL 与公开基准测试

跳棋没有像国际象棋和围棋那样成熟的公开引擎排行榜，因此很难评估引擎的强度和进步。CCERL 填补了这个空白。CCERL 是第一个用于评估跳棋 AI 引擎强度的公开基准测试。它借鉴了国际象棋和围棋中的类似做法，提供固定的规则、经过审核的起始局面、交换先后手的成对对局、可下载的对局记录以及公开的基线。

根据 CCERL 基准测试，JumpStar 看起来是目前世界上最强的公开跳棋 AI 引擎，并且领先幅度很大。

我相信，在两人规则下，JumpStar 已经用一台本地 MacBook 级别的算力达到了接近超越人类的跳棋水平。更重要的是，CCERL 为所有未来的贡献者提供了一个目标：修改 JumpStar、构建新模型、更忠实地移植现有引擎、补充更好的测试局面，或者在同一个裁判下提交挑战者。

未来工作

JumpStar 并不打算只做一个私人机器人。这个项目希望成为以下几样东西：

• 一个强大的公开 AI 模型。JumpStar 采用开放许可，这个网站也完全免费。任何人都可以和 JumpStar 对战，或者亲自尝试改进它。JumpStar 完全是在一台 MacBook M4 上训练的，更多的算力必然会进一步提升它的表现。
• 公开的基准测试基础设施。国际象棋和围棋都有可以测试、比较和改进引擎的社区。CCERL 为跳棋带来了同样的基础设施：清晰的规则、可复现的对局、公开的对局记录，以及让其他人构建自己模型的途径。
• 对游戏本身的研究。强大的 AI 会改变我们能看到的东西。我想弄明白好棋是什么样子、开局如何演变、拥挤的棋盘为什么会呈现出那样的局面，以及在三人、四人和六人对局中，当棋盘中央变成一场充满可能性的“大堵车”时，会发生什么。
• 多人变体。两人模型只是开始。当棋盘变得更拥挤时，更奇妙的问题才真正出现：三人、四人、六人对局，不断变化的联盟，被堵住的路线，以及各种奇特的自然涌现的开局。我想弄清楚在这些对局中，以及在比标准棋盘大得多的棋盘上，强大的下法是什么样子。由此涌现出的复杂性和规律一定会令人着迷。

我希望 JumpStar 能让更多人去思考跳棋、下跳棋、研究跳棋，并围绕它进行创造。