OpenAI：ChatGPT将遵守爬虫协议，网站可拒绝白嫖

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

— 完 —

报名开启！8月9日

欢迎参加「AIGC时代的算力基石」

8月9日15:00，量子位行业沙龙「AIGC时代的算力基石」将为你全景解读AIGC算力的发展机遇，邀请到来自昆仑芯、天数智芯、联想集团、首都在线、潞晨科技等代表性企业的嘉宾，聊聊行业的最新趋势！

点击“阅读原文”，报名线下参与AIGC算力沙龙吧 

点这里👇关注我，记得标星哦～