作者 | 虞景霖

编辑 | 邓咏仪

AI 模型的升级依靠海量的公开数据，而科技公司大多通过网络爬虫来获取用户数据。但这个过程并不一定被用户、网站所有者所允许。

(资料图)

8 月 8 日，OpenAI 推出了一款名为 GPTBot 的网络爬虫机器人，用于收集训练 AI 模型所需的数据信息。传闻 OpenAI 将利用这些数据升级 GPT-4 和其他大语言模型（如可能即将推出的 GPT-5 和开源的 G3PO）。

根据 OpenAI 介绍，GPTBot 和其他所有网络爬虫一样，从互联网上搜集能够用于训练 AI 模型的有用数据。但它并不会收集需要付费的、或者违反隐私政策的数据。此外，网站所有者还可以选择限制或者禁止 GPTBot 爬取网页数据。

如何识别 GPTBot？

来源：OpenAI

如何禁止 GPTBot 访问？

将 GPTBot 添加到网站的 robots.txt:

如何限制 GPTBot 访问，使其只爬取网站的一部分数据？

将下列命令添加至网站的 robots.txt:

此外，根据 OpenAI 发布的有关 GPTBot 的文档，还列出了GPTBot 使用的 IP 范围（目前只列出了一个，之后将继续添加）。数据的爬取是 AI 模型训练不可或缺的一环，而由此所带来的伦理和法律和法律问题也一直是公众关注的焦点。不少国家和地区出台了相应法案，Reddit 和 X（前 Twitter）等网站也采取了相应措施打击 AI 公司爬取用户数据的行为。

喜剧演员兼作家 Sarah Silverman 曾在美国法院起诉 OpenAI 的侵权行为，原因是 ChatGPT 会总结她的书籍，这一行为构成了侵权。

GPTBot 是对围绕版权、公开信息合理使用的一次尝试，使数据收集尽可能在监管范围之内。

尽管网络爬虫网站信息引发了部分网站所有者、版权所有者的反对，但也有支持的声音。

网站信息和 ChatGPT 等大语言模型可以是相辅相成、互相促进的，但并不绝对。网络爬虫在获取网站信息的时候能够改善网站的流量，网页数据信息能够帮助大语言模型生成更加可靠完善的回答。但网络爬虫所爬取的数据并不一定是信息的源链接，因此无法为网站带去流量。

尽管如此，正如 Perplexity 和其他大语言模型展示的那样，生成式人工智能机器人的回答还可能包括链接和引用，在未来也有可能成为 ChatGPT 的特性之一。因此，网站内容发布者也可能希望网站信息被用于 AI 模型，以换取可能的流量。

关键词：