OpenAI：ChatGPT将遵守爬虫协议，网站可拒绝白嫖
两行文本就能完成设置
克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
不希望网站数据被ChatGPT白嫖？现在终于有办法了！
两行代码就能搞定，而且是OpenAI官方公布的那种。
刚刚，OpenAI在用户文档中更新了GPTBot的说明。
根据这一说明，内容拥有者将可以拒绝网站数据被ChatGPT的爬虫抓取。
这是继暂停网页访问功能之后，OpenAI在版权和隐私保护方面的又一重大举措。
不过，OpenAI还是希望能内容拥有者将访问权限开放给GPTBot。
在这份关于GPTBot的说明中，OpenAI表示：
允许我们的爬虫访问你的数据有利于使AI模型更精确、更安全。
但至少，站主们拥有了选择的权利。
不过，也有网友指出了问题：
模型早就已经训练好了，现在提这个还有什么用？
对此OpenAI尚未作出解释，我们还是先来看看这次的措施。
三种方式阻止GPT爬虫
那么，OpenAI都公布了哪些内容呢？
首先是GPTBot的U(ser)A(gent)信息。
User agent token: GPTBot
Full user-agent string: Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; GPTBot/1.0; +https://openai.com/gptbot)
UA是浏览器的身份标识，包含了访问者的系统环境、浏览器内核版本、语言等诸多信息。
通过HTML的标签，可以阻止特定的浏览器对网页内容进行访问。
在这份说明文档中，OpenAI还提供了更简单的爬虫阻止方式，即修改robots.txt。
只要在网站的robots.txt中加入如下内容：
User-agent: GPTBot
Disallow: /
这样，GPTBot将不会访问你的网站进行内容抓取。
如果只想禁止GPT抓取部分内容，也可以利用robots.txt进行设置。
和上面的内容相似，分别写明允许和不允许访问的目录即可。
User-agent: GPTBot
Allow: /directory-1/
Disallow: /directory-2/
其中Allow的优先级更高，也就是说当Allow的目录是Disallow目录的子目录时，会被允许访问。
此外，OpenAI还公布了爬虫机器人的ip地址。
如果实在是对爬虫不放心，可以设置禁止有关ip对网站的访问。
什么是robots.txt
上面提到的robots.txt是什么，为什么它能阻止GPT的爬虫？
这其实是一种用户协议，站主可以在其中设置禁止访问网站的爬虫或禁止爬虫抓取的内容。
根据这一协议，即使在有能力访问的情况下，爬虫遇到相关内容都会主动选择避开。
ChatGPT自身也在使用robots.txt，阻止爬虫抓取除了用户分享之外的其他内容。
其实，在AI盛行之前，这项协议就已经存在，当时主要是用于限制搜索引擎。
这也正是我们无法在搜索引擎中搜到微信公众号文章的原因。
这是一项君子协定，不过大多数厂商都会选择遵守，因为这体现了对行业规则和用户隐私的尊重。
如今，OpenAI也加入了这一行列。
One More Thing
与此同时，Google的爬虫正在全网抓取内容。
不过，网友对此似乎有更高的容忍度：
至少Google是链接到你的网站，但ChatGPT用了你的内容之后根本不会进行说明。
你认为在提高模型质量和保护创作者之间该如何找到平衡点呢？
参考链接：
[1]https://platform.openai.com/docs/gptbot
[2]https://www.theverge.com/2023/8/7/23823046/openai-data-scrape-block-ai
[3]https://news.ycombinator.com/item?id=37030568
- 刚刚，星舰第六次试验成功！猛禽发动机实现“太空重启”，降落过程大秀身姿2024-11-20
- ChatGPT付费功能免费用！Mistral把Canvas、Artifact全复制了2024-11-20
- ChatGPT击败50名人类医生！疾病诊断准确率达90%，OpenAI总裁：人机合作还得加强2024-11-18
- 视频大模型无损提速：删除多余token，训练时间减少30%，帧率越高效果越好2024-11-17
相关阅读
