AI爬蟲(chóng)已成為這個(gè)時(shí)代的數(shù)字蝗蟲(chóng)，傳統(tǒng)網(wǎng)站深受其害

虎嗅A  ?  ? 來(lái)源：虎嗅APP  ? 關(guān)注：46
這是第一次，全世界最大的網(wǎng)絡(luò)基礎(chǔ)設(shè)施公司之一，Cloudflare，開(kāi)始用魔法打敗魔法，用AI來(lái)對(duì)抗AI爬蟲(chóng)。

這事有意思的程度，足以載入AI發(fā)展史冊(cè)。這是一次AI領(lǐng)域的全面戰(zhàn)爭(zhēng)。

你可能現(xiàn)在還有很多疑惑，Cloudflare是什么，AI爬蟲(chóng)是什么，AI迷宮又是什么，這個(gè)事到底有意思在哪。

作為這一切的開(kāi)始，我想先跟你講一個(gè)故事，一個(gè)在今年1月份，發(fā)生在一個(gè)僅有7人的烏克蘭公司的故事。

這個(gè)公司叫做Triplegangers，做的業(yè)務(wù)特別簡(jiǎn)單，就是賣(mài)人的3D數(shù)字模型。



Triplegangers專(zhuān)注于銷(xiāo)售“人體的數(shù)字孿生”模型素材，這些高清3D模型照片來(lái)自真實(shí)人類(lèi)掃描，價(jià)值巨大。

創(chuàng)始人Tomchuk對(duì)自己公司的業(yè)務(wù)一直很滿(mǎn)意，公司雖然不大，但這是他最喜歡的事情。

這個(gè)網(wǎng)站一共有65000個(gè)產(chǎn)品頁(yè)面，每個(gè)產(chǎn)品的頁(yè)面至少放著三張高清照片。每一張圖片都細(xì)致地標(biāo)注了年齡、膚色、紋身甚至傷疤。



但是，就在一個(gè)普通的周六早上，這種平靜被一場(chǎng)風(fēng)暴驟然打破。

Tomchuk收到了一條緊急通知：公司的網(wǎng)站崩潰了，因?yàn)槭艿搅舜罅康腄DoS攻擊。

他懵了，因?yàn)槠綍r(shí)也沒(méi)啥仇人，更沒(méi)啥競(jìng)品，守著自己那一畝三分地，誰(shuí)會(huì)好好地來(lái)攻擊自己呢？

他驚慌失措地開(kāi)始調(diào)查原因，很快發(fā)現(xiàn)，居然是OpenAI的爬蟲(chóng)機(jī)器人，GPTBot在攻擊他的網(wǎng)站。

GPTBot瘋狂地爬取每一個(gè)頁(yè)面，網(wǎng)站上的數(shù)十萬(wàn)張照片、數(shù)十萬(wàn)條描述，在短短幾小時(shí)內(nèi)被無(wú)情下載。

這些爬蟲(chóng)機(jī)器人使用了整整600個(gè)IP地址，數(shù)以萬(wàn)計(jì)的服務(wù)器請(qǐng)求，這種網(wǎng)站哪見(jiàn)過(guò)這種架勢(shì)，網(wǎng)站的服務(wù)器瞬間癱瘓，業(yè)務(wù)陷入停滯。



Tomchuk人都傻了，不僅自己的數(shù)據(jù)全丟了，被OpenAI爬得干干凈凈；更糟的是，由于服務(wù)器壓力暴漲，公司還將面臨一筆巨額AWS賬單。

他們這個(gè)七人的團(tuán)隊(duì)花了十年心血，才構(gòu)建了這個(gè)龐大的數(shù)據(jù)庫(kù)，客戶(hù)遍及游戲開(kāi)發(fā)、動(dòng)畫(huà)制作等多個(gè)行業(yè)。

而現(xiàn)在，啥也沒(méi)了。

更令人無(wú)奈的是，他們?cè)揪兔鞔_禁止爬蟲(chóng)機(jī)器人未經(jīng)許可抓取網(wǎng)站數(shù)據(jù)。

但是因?yàn)闆](méi)那么懂AI，也不太知道那些AI大模型公司的玩法，所以沒(méi)有嚴(yán)格配置robot.txt文件，沒(méi)有配專(zhuān)門(mén)告知GPTBot不要訪(fǎng)問(wèn)該網(wǎng)站的標(biāo)簽，這基本等同于默認(rèn)允許了OpenAI的抓取行為。

關(guān)鍵是，配了GPTBot的標(biāo)簽也不夠，因?yàn)镺penAI還有ChatGPT-User和OAI-SearchBot，這兩個(gè)標(biāo)簽也要配。你甚至不知道他們還有啥。

“我們?cè)詾樵O(shè)定禁止條款就足夠了，沒(méi)想到還必須專(zhuān)門(mén)設(shè)定拒絕機(jī)器人的規(guī)則。”

幾天后，Tomchuk終于設(shè)置好了Triplegangers的robot.txt文件，并啟用了Cloudflare服務(wù)以屏蔽更多爬蟲(chóng)。

Cloudflare大家可能沒(méi)聽(tīng)過(guò)，但是大多數(shù)人應(yīng)該都見(jiàn)過(guò)。



就這個(gè)玩意，它會(huì)讓你在進(jìn)入某些網(wǎng)頁(yè)之前，驗(yàn)證一下你是否是人類(lèi)。

不過(guò)這玩意也不是免費(fèi)的，挺燒錢(qián)的，都是成本。但是為了再防一波OpenAI那種流氓行為，他們只能啟用。

這些服務(wù)的錢(qián)都還好說(shuō)，但讓Tomchuk最痛苦的是，他根本不知道OpenAI到底拿走了多少素材。

而且，Tomchuk說(shuō)：

“我們甚至聯(lián)系不上OpenAI，也無(wú)法要求他們刪除已抓取的數(shù)據(jù)?！?/strong>

最離譜的是，如果不是OpenAI這么貪，一次性運(yùn)行太多請(qǐng)求，直接把Triplegangers爬崩潰了，而是慢慢爬，一點(diǎn)一點(diǎn)地偷，Tomchuk可能這輩子都發(fā)現(xiàn)不了自己的數(shù)據(jù)已經(jīng)全部丟得干干凈凈了。

OpenAI的爬蟲(chóng)邏輯很簡(jiǎn)單，如果你家門(mén)口沒(méi)有保安站崗，那就說(shuō)明你默認(rèn)你家里的東西我都可以拿走，都是我的。因?yàn)槟銢](méi)說(shuō)不準(zhǔn)我拿，也沒(méi)設(shè)保安，所以我就可以進(jìn)門(mén)，把數(shù)據(jù)洗劫一空。

這是一場(chǎng)戰(zhàn)爭(zhēng)，一場(chǎng)沒(méi)有硝煙的戰(zhàn)爭(zhēng)；

一場(chǎng)關(guān)乎于保護(hù)自己財(cái)產(chǎn)神圣不可侵犯的戰(zhàn)爭(zhēng)；

一場(chǎng)關(guān)乎于我們，跟這些AI公司的AI爬蟲(chóng)的戰(zhàn)爭(zhēng)。

Trilegangers的遭遇并不是孤例。

在許多公司和內(nèi)容創(chuàng)作者的眼中，AI爬蟲(chóng)就是這個(gè)時(shí)代的數(shù)字蝗蟲(chóng)，所過(guò)之處，網(wǎng)站不堪重負(fù)，數(shù)據(jù)還被洗劫一空。

去年夏天，還有一個(gè)著名的例子，來(lái)自一家非常老牌的維修教程網(wǎng)站，iFixit。



iFixit發(fā)現(xiàn)，他們的網(wǎng)站也成了AI爬蟲(chóng)的盤(pán)中餐。

但這一次，吃相難看的不是OpenAI，而是另一個(gè)AI王者，Anthropic公司的爬蟲(chóng)ClaudeBot。

當(dāng)時(shí)，iFixit的CEO怒不可遏地在社交媒體上爆料：

ClaudeBot在短短24小時(shí)內(nèi)瘋狂訪(fǎng)問(wèn)了iFixit近一百萬(wàn)次。直接差點(diǎn)把他們的網(wǎng)站擠爆，觸發(fā)了所有報(bào)警系統(tǒng)，迫使iFixit的運(yùn)維團(tuán)隊(duì)連夜加班處理。



更離譜的是，iFixit早就明文禁止未經(jīng)許可抓取他們的內(nèi)容用于AI訓(xùn)練，這一條清清楚楚地被寫(xiě)進(jìn)網(wǎng)站使用條款，甚至特別注明“不得將本網(wǎng)站內(nèi)容用于機(jī)器學(xué)習(xí)或AI模型的訓(xùn)練”。

但是Anthropic的爬蟲(chóng)明顯不care這些聲明，依舊我行我素地狂扒數(shù)據(jù)。

更讓人無(wú)語(yǔ)的是，這事爆了之后，有媒體去問(wèn)Anthropic，對(duì)方給出的回應(yīng)幾乎和OpenAI如出一轍：

他們表示，ClaudeBot爬蟲(chóng)是遵守robots.txt的，如果網(wǎng)站不想被抓，就應(yīng)該在robots文件里屏蔽Claude。

言下之意就是，iFixit你自己明明沒(méi)說(shuō)啊，沒(méi)在robots.txt徹底封禁啊，我們當(dāng)然有權(quán)一直爬下去啊。

無(wú)奈之下，iFixit只好趕緊修改了robots.txt，添加了針對(duì)ClaudeBot的延遲和阻止規(guī)則。

可這件事留給業(yè)界的震動(dòng)卻揮之不去，坦率地講，連iFixit這樣熟悉網(wǎng)絡(luò)技術(shù)的知名網(wǎng)站，一開(kāi)始都沒(méi)料到AI爬蟲(chóng)會(huì)如此不講武德，明知道別人不情愿卻還要硬闖。

如果連老牌互聯(lián)網(wǎng)從業(yè)者都防不勝防，那其他那些沒(méi)有技術(shù)團(tuán)隊(duì)守衛(wèi)的小網(wǎng)站、小作者，又該如何招架這些竊賊？

甚至，更不要臉的是那個(gè)AI搜索鼻祖，Perplexity。

知名科技媒體《連線(xiàn)》（Wired）發(fā)現(xiàn)，Perplexity的爬蟲(chóng)不僅沒(méi)有遵守一些網(wǎng)站的robots.txt禁令，甚至?xí)噲D悄悄抓取那些明確聲明不開(kāi)放給機(jī)器的網(wǎng)站。

換句話(huà)說(shuō)，就是Perplexity公然無(wú)視r(shí)obots協(xié)議，偷偷攫取了本不該拿的內(nèi)容。

可能你看到這里會(huì)疑惑，robots協(xié)議是個(gè)啥。

我們把時(shí)間倒回1994年，那時(shí)，網(wǎng)絡(luò)也正在經(jīng)歷爬蟲(chóng)之亂。

彼時(shí)，搜索引擎剛興起，一些自動(dòng)爬蟲(chóng)程序在網(wǎng)上橫沖直撞，給服務(wù)器造成了不小的負(fù)擔(dān)。

于是，一位名叫MartijnKoster的荷蘭工程師提出了一個(gè)非常巧妙的主意：

網(wǎng)站管理員可以在站點(diǎn)根目錄放一個(gè)名為“robots.txt”的文本文件，提前告訴網(wǎng)絡(luò)機(jī)器人哪里可以爬、哪里不許碰。

這個(gè)提議很快得到了行業(yè)的廣泛認(rèn)可，成為互聯(lián)網(wǎng)早期一種非常純粹的“君子協(xié)定”。



根據(jù)robots協(xié)議，如果網(wǎng)站在robots.txt里標(biāo)明了禁止抓取某些內(nèi)容，那么守規(guī)矩的爬蟲(chóng)就應(yīng)該乖乖止步，不去觸碰那些被列入黑名單的路徑。

這套機(jī)制在本質(zhì)上完全依賴(lài)自覺(jué)，它沒(méi)有法律強(qiáng)制力，靠的是爬蟲(chóng)開(kāi)發(fā)者愿意遵守規(guī)則的良知和誠(chéng)意。

令人欣慰的是，在相當(dāng)長(zhǎng)的歲月里，這種誠(chéng)意基本上保持了下來(lái)。

Google、Yahoo等搜索引擎尊重robots.tx的邊界，微軟的Bing也是如此，甚至后來(lái)各式各樣善意的網(wǎng)絡(luò)爬蟲(chóng)，都把不傷害網(wǎng)站、遵循站長(zhǎng)意愿當(dāng)作職業(yè)道德的一部分。

正因?yàn)橛衦obots.txt的存在，網(wǎng)站管理員才愿意敞開(kāi)大門(mén)讓搜索引擎索引內(nèi)容，他們相信敏感或不想公開(kāi)的角落可以被禮貌地避開(kāi)。

這份信任，構(gòu)筑了網(wǎng)絡(luò)內(nèi)容自由流通和公平利用的基礎(chǔ)。

但現(xiàn)在，這份來(lái)之不易的信任正被無(wú)情地侵蝕。

當(dāng)AI爬蟲(chóng)為了填飽模型的數(shù)據(jù)需求四處出擊時(shí)，又有多少AI還會(huì)真正尊重robots.txt的邊界？

OpenAI、Anthropic口口聲聲表示他們遵守robots協(xié)議，但事實(shí)是，如果你沒(méi)明確寫(xiě)出禁令，他們就默認(rèn)可以來(lái)拿，絲毫不考慮你是否情愿。

只要你沒(méi)用足夠堅(jiān)固的墻把我擋住，那就是你的錯(cuò)，我闖進(jìn)來(lái)就理所應(yīng)當(dāng)。

這種倒打一耙的邏輯讓人憤慨之余，也透出一絲悲哀。

所以，在這種背景下，Cloudflare挺身而出，作為大多數(shù)網(wǎng)站前的守護(hù)者，他們決定用魔法打敗魔法，用AI對(duì)抗AI。

他們?yōu)檫@些AI爬蟲(chóng)造了一整座AI迷宮。

因?yàn)檫^(guò)往的防御邏輯很簡(jiǎn)單，就是用驗(yàn)證直接把這些AI爬蟲(chóng)攔在門(mén)外，這樣會(huì)出現(xiàn)一個(gè)問(wèn)題，即反而會(huì)驚動(dòng)敵人，讓他們換個(gè)馬甲卷土重來(lái)。

比如OpenAI就有N個(gè)AI爬蟲(chóng)。

所以他們?cè)谶@次更新中用了一個(gè)更陰柔的做法：放對(duì)手進(jìn)來(lái)，但是領(lǐng)著它走進(jìn)一個(gè)精心編織的虛假網(wǎng)頁(yè)迷宮。

在這個(gè)迷宮里，所有的頁(yè)面、鏈接和內(nèi)容都是AI自動(dòng)生成的，看上去像模像樣，卻全都是無(wú)意義的空城計(jì)。

那些AI爬蟲(chóng)一旦被引誘進(jìn)去，就會(huì)在假內(nèi)容中團(tuán)團(tuán)轉(zhuǎn)，白白浪費(fèi)計(jì)算資源和帶寬。

而這些迷宮入口對(duì)正常用戶(hù)是隱形的，真人訪(fǎng)客根本不會(huì)點(diǎn)擊到那些陷阱鏈接。而AI爬蟲(chóng)則樂(lè)此不疲地一路追蹤下去，越陷越深，直到在虛假的信息泥潭中迷失方向。

大衛(wèi)終于也有了一塊對(duì)付歌利亞的利器。

Cloudflare他們?cè)赽log中寫(xiě)道：



這是一場(chǎng)戰(zhàn)爭(zhēng)，一邊是如狼似虎、到處搜刮數(shù)據(jù)的AI爬蟲(chóng)大軍，另一邊則是苦苦守衛(wèi)自己數(shù)字領(lǐng)土的網(wǎng)站站長(zhǎng)和內(nèi)容創(chuàng)作者們。

我不否認(rèn)大模型需要海量數(shù)據(jù)訓(xùn)練，創(chuàng)新常常伴隨著對(duì)舊有規(guī)則的沖撞。

互聯(lián)網(wǎng)歷史上類(lèi)似的矛盾并非首次：音樂(lè)產(chǎn)業(yè)曾與數(shù)字盜版激烈交鋒，新聞出版商也為搜索引擎收錄內(nèi)容而抗議。

也許在很多AI公司看來(lái)，網(wǎng)絡(luò)上的公開(kāi)內(nèi)容皆是取之無(wú)害、用之無(wú)罪的公共資源，抓了又何妨？

但是有沒(méi)有想過(guò)內(nèi)容生產(chǎn)者的感受呢？知識(shí)和創(chuàng)意的源頭若得不到尊重和回報(bào)，最終枯竭的將是創(chuàng)新本身。沒(méi)有人愿意讓自己辛苦耕耘的成果被機(jī)器毫無(wú)顧忌地偷走。

至少在現(xiàn)有的倫理和經(jīng)濟(jì)體系下，這種行為會(huì)磨滅創(chuàng)作者的熱情。

到最后，網(wǎng)絡(luò)上留下的全部是AI生產(chǎn)的AI垃圾。

戰(zhàn)爭(zhēng)已經(jīng)打響，而AI領(lǐng)域的這場(chǎng)較量，正是從爬蟲(chóng)開(kāi)始的。

我只希望，當(dāng)硝煙散去，我們還能擁有一個(gè)我們所熱愛(ài)的、開(kāi)放而可信的互聯(lián)網(wǎng)。

拋開(kāi)那些宏大的技術(shù)敘事，對(duì)于我們每一個(gè)普通網(wǎng)民而言，這才是我們最值得去捍衛(wèi)的東西。不是嗎？
本文鏈接：http://balipropertyfinder.com/article/70733.html（轉(zhuǎn)載請(qǐng)保留）
標(biāo)簽： AI爬蟲(chóng)