中國跳棋 AI
JumpStar 是全世界最強的中國跳棋 AI 引擎
iPhone 版現已推出 中國跳棋: JumpStar 離線挑戰最強 AI、解每日謎題、取得提示，還能儲存重播。
緣起
JumpStar 是我為媽媽做的。這個專案始於 2026 年 5 月 15 日，當時我在印第安納州幫爸媽搬離我們從小長大的家。整理他們的東西時，我們找到了家裡那副舊的中國跳棋，聊起以前全家一起下棋有多好玩。
我和哥哥去上大學之後，媽媽曾經想找 iPhone 上的中國跳棋 App，讓她能自己一個人繼續玩，可是沒有一個好用。看到 AlphaGo 和 Stockfish 的成功，我以為中國跳棋一定也有很多強大的開源 AI 引擎，結果並沒有。儘管這個遊戲既受歡迎又優雅，AI 社群對它的關注卻少得驚人。正是這個空缺，讓我決定打造 JumpStar。
我的目標是打造第一個超越人類的中國跳棋 AI 引擎。有了強大的電腦對手，就算我和哥哥不在身邊，媽媽也能繼續下棋。超越人類的 AI 引擎甚至可能發掘出這個遊戲裡美妙、尚未廣為人知的新模式與新策略。
這也是這個專案對外公開的原因。一個強大的私人引擎固然有趣，但其他人很難評估或改進它。公開的中國跳棋 AI 基準測試讓這份成果變得可以檢驗：一套規則、一份協定、一組局面題庫、基準對手、對局紀錄，以及一個具名的 JumpStar 模型，讓其他系統都能來挑戰。
中國跳棋之美
中國跳棋是一場在六角星形棋盤上的競速。每位玩家一開始在一個三角區裡擺好十顆棋子，目標是搶先把所有棋子移進對面的三角區。這個遊戲可以 2、3、4 或 6 人一起玩。只有兩種移動方式：走一步和跳，而且沒有吃子的機會。這正是棋盤顯得如此生動的原因之一：簡單的移動規則，會在玩家試圖搭建連跳、同時阻止對手這麼做的過程中，產生各種複雜的「交通」狀況。
儘管名字叫中國跳棋，這個遊戲並非起源於中國，也不算是真正的西洋跳棋。一般認為它源自 Stern-Halma（星形 Halma），也就是 1892 年在德國出版、改用星形棋盤的 Halma 變體。大家熟悉的英文名稱是後來透過美國的行銷才出現的，此後它成了風靡全球的桌上遊戲。
中國跳棋怎麼玩
輪到你時，移動自己的一顆棋子。棋子可以走一步到相鄰的空格，也可以跳過一個相鄰且有棋子的格位，落在它後面的空格。跳躍可以連續進行，所以只要間距剛好，一手棋就可能跨越棋盤上很大一段距離。被跳過的棋子會留在棋盤上，不會被吃掉。
目標是把你所有的棋子移進起始三角區正對面的三角區。下得好不只是一味往前衝。你需要搭出好用的階梯、避免擋住自己的棋子、善用擁擠的中央，並判斷什麼時候一步現在看起來很慢的棋，之後反而能開出更快的路線。
想查閱重點規則，請閱讀完整的中國跳棋規則。準備好要提升棋力時，再接著看JumpStar 策略與戰術指南。
為什麼中國跳棋 AI 值得研究
數十年來，經典棋類遊戲一直是 AI 發展的核心。IBM 的深藍（Deep Blue）在 1997 年擊敗西洋棋世界冠軍卡斯帕洛夫（Garry Kasparov），AlphaGo 在 2016 年擊敗李世乭。這些遊戲之所以成為里程碑，是因為強大的電腦棋力改變了人們對它們的理解。
中國跳棋一直沒有同樣的公開 AI 生態系。和西洋棋、圍棋相比，它的引擎、基準測試、等級分排行、公開棋譜和共享研究工具都少得多。這個落差令人意外，因為這個遊戲恰好具備 AI 研究最喜歡的結構：完全資訊、沒有隨機性、勝負條件明確，以及數量龐大的可能未來。
即使是平靜的開局，分支也增加得很快。在 JumpStar 的兩人規則下，初始棋盤有 14 種合法的第一手。雙方各走一手後，有 196 種可能的兩手序列。到了第三層，從初始局面出發共有 4,760 種可能的著手序列。到了中後盤，連跳和擁擠的通道會讓選擇變得比規則看起來難判斷得多。
JumpStar 是什麼
JumpStar 是一個以自我對弈訓練的中國跳棋引擎，建立在精簡的 C++20 規則/搜尋核心、神經網路策略/價值模型，以及蒙地卡羅樹搜尋之上。它最強的公開檢查點 JumpStar_60，是目前 CCERL-2P10-v2 基準測試的冠軍。最令人驚訝的是它的效率：所有 JumpStar 模型都是在一台 MacBook M4 上訓練的，而不是那些圍棋、西洋棋里程碑系統所使用的大型 TPU/GPU 叢集。
我們的目標是超越人類的棋力，但對外的說法刻意保持可以檢驗：在兩人規則設定下，JumpStar 看來已經達到或接近超越人類的水準，而 CCERL 的存在，就是為了讓未來的引擎能挑戰這個結果。
系統架構
JumpStar 不只是一個模型檢查點，而是一整套引擎與基準測試系統：棋盤表示法、規則、搜尋、自我對弈、訓練紀錄、裁判工具，以及公開的佐證資料。
- 規則與搜尋。JumpStar 以精簡的點陣式結構表示 121 格的星形棋盤，並具備嚴格的兩人規則、合法的走一步與多段連跳走法生成、目標區鎖定、終局判定、確定性雜湊、基準機器人，以及原生的對戰執行器。規則實作刻意寫得很明確，因為中國跳棋引擎不然就可能鑽邊角規則的漏洞：賴在大本營或目標三角區不走、製造人為的封鎖，或是利用裁判程式的怪癖獲勝，而不是靠下得更好。JumpStar 的規則設定旨在獎勵乾淨的競速、優秀的幾何布局與可重現的搜尋，而不是防堵規則上的小把戲。
- 自我對弈訓練。自我對弈與重新分析會產生棋盤狀態、合法動作、MCTS 造訪次數、對局結果和進度特徵。這些紀錄用來訓練策略/價值模型，再由模型引導下一輪搜尋。
JumpStar_60是一個geometry_v1、512x4的 MLP，約有10.36M個參數，以一份1.8M筆樣本的重新分析資料集訓練而成。實務上的功夫，在於讓這個循環夠小、夠快，能在本機硬體上反覆執行。 - 公開基準測試。由於中國跳棋原本沒有成熟的公開引擎排行，我在開發 JumpStar 的同時也建立了
CCERL-2P10-v2。CCERL 定義了規則、引擎協定、固定的局面題庫、基準引擎、發布檔案和等級分計算方法。這套基準測試使用交換先後手的成對局面，並公開對局紀錄，讓結果可以重現，而不只是口頭宣稱。這代表未來的引擎可以在同一個裁判下挑戰 JumpStar，而不是比較模糊的棋力說法。
JumpStar 怎麼下中國跳棋
最有趣的質性觀察之一是：JumpStar 常常不像單純的競速啟發式那樣下棋。相反地，它會發展出精細的策略，例如拖慢對手、保留有用的阻擋棋子，以及組成緊密的類三角陣形，限制對手通過重要通道。
如果只把中國跳棋看成一場往前推進的競速，很容易忽略這種風格。因為棋子永遠不會被吃掉，一個防守陣形可以影響很多回合：它可以斷掉對手的跳躍階梯、逼對手繞過壅塞地帶，或替模型自己的棋子爭取足夠的時間完成推進。因此，JumpStar 某些最強的想法，可能在於掌控幾何形狀，而不只是前進得更快。
致勝開局模式
| # | 玩家 | 類型 | 著手 |
|---|
搜尋與訓練循環
從整體來看，JumpStar 遵循 AlphaZero 的模式：自我對弈產生 MCTS 造訪目標，這些目標用來訓練策略/價值模型，更強的模型再引導下一輪搜尋。
self-play -> MCTS visit targets -> policy/value training -> stronger search -> self-play實際的棋力來自讓這個循環的成本低到可以反覆執行：原生 C++ 自我對弈工作程序、高效率的走法生成、批次葉節點評估、置換表、子樹重用、精簡的紀錄格式，以及針對本機 Apple 硬體調校的發布版建置。
能把時程壓縮得這麼短，很大一部分要歸功於把搭配 GPT-5.5 的 Codex 當作實作與研究夥伴。Codex 幫忙檢視程式碼、分析效能瓶頸、改寫熱點路徑、分析訓練紀錄、打包基準測試，並讓好幾條實驗線同時推進。最重要的收穫都很實際：自我對弈和評估大幅加速、訓練流程的記憶體用量減少約 98%，讓整個工作能在我的本機上跑得動，以及足夠的自動化，讓我在擔任 Edia 執行長、做全職工作的同時，還能持續改進引擎。
這個專案進展得異常快速，因為這個循環不只是模型的自我對弈，也是周邊系統不斷迭代的工程循環。有了 Codex，我可以跑一個實驗、檢查失敗原因、最佳化程式碼、重跑基準測試、整理結果，再把下一個問題變成具體的修補。這個回饋循環，把原本可能要花上好幾個月的基礎建設、工具、前端、基準測試和撰文工作，壓縮成從找到那副舊棋盤到公開上線大約一週的時間。
本機的 Codex 用量統計，可以讓人大致感受這次協作的規模。在本機 Codex 狀態資料庫中可見的專案對話裡，記錄的 tokens_used 合計約 559.9M 個 token。這些數字包含上下文、工具輸出、快取上下文的影響、推理/輸出的計算，以及彼此重疊的工作對話，因此應該視為一種過程指標，而不是對運算量的科學測量。
CCERL 與公開基準測試
中國跳棋沒有像西洋棋和圍棋那樣成熟的公開引擎排行，因此很難評估引擎的棋力與進展。CCERL 填補了這個空缺。CCERL 是第一個用來評估中國跳棋 AI 引擎棋力的公開基準測試。它借鏡西洋棋和圍棋的類似做法，提供固定的規則、經過審核的起始局面、交換先後手的成對對局、可下載的棋譜，以及公開的基準對手。
根據 CCERL 基準測試，JumpStar 看來是全世界公開可用的中國跳棋 AI 引擎中最強的一個，而且領先幅度很大。
我相信，在兩人規則設定下，JumpStar 只用 MacBook 等級的本機運算，就已經達到接近超越人類的中國跳棋棋力。更重要的是，CCERL 給了未來所有貢獻者一個目標：修改 JumpStar、打造新模型、更忠實地移植現有引擎、加入更好的局面，或在同一個裁判下提交挑戰者。
未來工作
JumpStar 並不打算只當一個私人機器人。這個專案希望成為以下幾件事：
- 強大的公開 AI 模型。JumpStar 採用開放授權，這個網站也是免費的。任何人都可以和 JumpStar 對戰，或自己動手改進它。JumpStar 完全是在一台 MacBook M4 上訓練的，更多的運算資源一定能進一步提升它的表現。
- 公開的基準測試基礎建設。西洋棋和圍棋都有可以測試、比較和改進引擎的社群。CCERL 為中國跳棋帶來同樣的基礎建設：明確的規則、可重現的對局、公開的棋譜，以及讓其他人打造自己模型的途徑。
- 對遊戲本身的研究。強大的 AI 會改變我們能看見的東西。我想了解好棋長什麼樣子、開局如何演變、擁擠的棋盤為什麼會有那樣的表現，以及在三人、四人和六人對局中，當棋盤中央變成一場充滿可能性的大塞車時，會發生什麼事。
- 多人變體。兩人模型只是開始。真正更狂野的問題，是在棋盤變得更擁擠時才出現：三人、四人、六人、變動的結盟、被堵住的路線，以及奇特的自然湧現開局。我想知道在那些情況下，以及在比標準大得多的棋盤上，強大的棋路會是什麼樣子。屆時浮現的複雜性與模式，一定會令人著迷。
我希望 JumpStar 能鼓勵更多人去思考中國跳棋、下中國跳棋、研究它，並圍繞它打造更多東西。