不希望網(wǎng)站數(shù)據(jù)被ChatGPT白嫖？現(xiàn)在終于有辦法了！

兩行代碼就能搞定，而且是OpenAI官方公布的那種。

剛剛，OpenAI在用戶文檔中更新了GPTBot的說明。

根據(jù)這一說明，內(nèi)容擁有者將可以拒絕網(wǎng)站數(shù)據(jù)被ChatGPT的爬蟲抓取。

這是繼暫停網(wǎng)頁訪問功能之后，OpenAI在版權(quán)和隱私保護方面的又一重大舉措。

圖片

不過，OpenAI還是希望能內(nèi)容擁有者將訪問權(quán)限開放給GPTBot。

在這份關(guān)于GPTBot的說明中，OpenAI表示：

允許我們的爬蟲訪問你的數(shù)據(jù)有利于使AI模型更精確、更安全。

但至少，站主們擁有了選擇的權(quán)利。

不過，也有網(wǎng)友指出了問題：

模型早就已經(jīng)訓(xùn)練好了，現(xiàn)在提這個還有什么用？

圖片

對此OpenAI尚未作出解釋，我們還是先來看看這次的措施。

三種方式阻止GPT爬蟲

那么，OpenAI都公布了哪些內(nèi)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是瀏覽器的身份標識，包含了訪問者的系統(tǒng)環(huán)境、瀏覽器內(nèi)核版本、語言等諸多信息。

通過HTML的標簽，可以阻止特定的瀏覽器對網(wǎng)頁內(nèi)容進行訪問。

在這份說明文檔中，OpenAI還提供了更簡單的爬蟲阻止方式，即修改robots.txt。

只要在網(wǎng)站的robots.txt中加入如下內(nèi)容：

User-agent: GPTBot
Disallow: /

這樣，GPTBot將不會訪問你的網(wǎng)站進行內(nèi)容抓取。

如果只想禁止GPT抓取部分內(nèi)容，也可以利用robots.txt進行設(shè)置。

和上面的內(nèi)容相似，分別寫明允許和不允許訪問的目錄即可。

User-agent: GPTBot
Allow: /directory-1/
Disallow: /directory-2/

其中Allow的優(yōu)先級更高，也就是說當Allow的目錄是Disallow目錄的子目錄時，會被允許訪問。

此外，OpenAI還公布了爬蟲機器人的ip地址。

如果實在是對爬蟲不放心，可以設(shè)置禁止有關(guān)ip對網(wǎng)站的訪問。

圖片

什么是robots.txt

上面提到的robots.txt是什么，為什么它能阻止GPT的爬蟲？

這其實是一種用戶協(xié)議，站主可以在其中設(shè)置禁止訪問網(wǎng)站的爬蟲或禁止爬蟲抓取的內(nèi)容。

根據(jù)這一協(xié)議，即使在有能力訪問的情況下，爬蟲遇到相關(guān)內(nèi)容都會主動選擇避開。

ChatGPT自身也在使用robots.txt，阻止爬蟲抓取除了用戶分享之外的其他內(nèi)容。

圖片

其實，在AI盛行之前，這項協(xié)議就已經(jīng)存在，當時主要是用于限制搜索引擎。

這也正是我們無法在搜索引擎中搜到微信公眾號文章的原因。

圖片

這是一項君子協(xié)定，不過大多數(shù)廠商都會選擇遵守，因為這體現(xiàn)了對行業(yè)規(guī)則和用戶隱私的尊重。

如今，OpenAI也加入了這一行列。

One More Thing

與此同時，Google的爬蟲正在全網(wǎng)抓取內(nèi)容。

不過，網(wǎng)友對此似乎有更高的容忍度：

至少Google是鏈接到你的網(wǎng)站，但ChatGPT用了你的內(nèi)容之后根本不會進行說明。

圖片

你認為在提高模型質(zhì)量和保護創(chuàng)作者之間該如何找到平衡點呢？

參考鏈接：

[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