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。

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。有市场消息称,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:

来源:OpenAI

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:

来源:OpenAI

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)。

来源:OpenAI

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。

作者 admin