作者: David Pierc
文章來源:TheVerge
文章連結:https://www.theverge.com/24067997/robots-txt-ai-text-file-web-crawlers-spiders
編譯:鄭玥
編輯:靖宇
大模型的橫空出世,打破了 30 年來互聯網的執行規則。
程式碼版「互聯網小憲法」robots.txt 開始失效了。robots.txt 是一個文字檔案,每個網站都用它來說明自己是否願意被爬蟲抓取。30 年來,一直是它,讓互聯網不至於在混亂中執行。
不過這個規則能長久執行其實純靠一個人性邏輯——你讓搜尋引擎抓取你的網站,同時你會獲得搜尋引擎的流量報酬。這也是幾位互聯網先鋒達成的握手協定,為了造福互聯網上的所有人。
這種既沒有寫入法律,也沒有權威約束,稍顯天真的規則在執行了 30 年後,終於出現了問題——越來越多的 AI 公司用爬蟲抓取你的網站數據,提取數據集,訓練大模型和相關產品,但他們並不像搜尋引擎那樣回饋以流量,甚至根本不承認有你存在,你的數據就像肉包子打狗一樣有去無回。
很多數據擁有者非常憤怒,新聞出版商等數據擁有者不斷地發聲,封鎖 AI 爬蟲,反抗自己的數位資產被無償使用。不過如谷歌和 OpenAI 這樣的 AI 推動者,也在試圖找到更好的規則,畢竟只有各方獲益才能持續發展。
robots.txt,一個簡單有效的協定
robots.txt,通常位於「yourwebsite.com/robots.txt」。任何一個營運網站的人,無論他的網站是大是小、是烹飪部落格還是跨國公司,都可以透過這個檔來告訴誰可以進入網站,而誰不可以。
「哪些搜尋引擎可以索引你的網站?哪些檔計畫可以提取並保存你的網頁版本?競爭對手能否保存你的網頁?……」這些都由你決定,並透過這個檔作出聲明,讓整個互聯網看到。
不過現在,AI 已經打破了這個平衡:網上的公司正在利用你的網站數據,提取大量訓練數據集,建立大模型和相關產品,這裏面可能根本不承認有你存在。
在互聯網發展的早期,機器人有很多名字:蜘蛛、爬蟲、蠕蟲、網蟻、網路爬蟲。大多數時候,這些名字都出於好意。通常抓取數據是開發人員為了給一個新網站建立目錄,以確保自己的網站正常執行,或者建立一個研究資料庫——這是 1993 年左右的事情了,當時搜尋引擎還沒有普及,電腦硬碟裏還裝不下大部份互聯網內容。
![](https://img.jasve.com/2024-2/a6fccf7ccf71c731fc9d4a3deecce682.webp)
robots.text 的真正作用|圖片來源:KeyCDN
那時唯一的問題是流量:對於網站瀏覽者或所有者來說,存取互聯網都又慢又貴。如果你像大多數人一樣,在自己的電腦上管理網站,或用家庭互聯網,但凡有幾個機器人過度熱衷於下載網頁,就會導致網站崩潰,流量賬單激增。
1994 年的幾個月裏,一位名叫馬特恩·科斯特(Martijn Koster)的軟體工程師,與其他一群網站管理員一起,提出了一個名為「機器人修復協定」的解決方案。該方案非常簡單:要求網站開發人員在其網域名稱中添加一個純文字檔案,指定哪些機器人不得瀏覽其網站,或者列出對所有機器人禁止存取的網頁。
在這個時期,你甚至可以維護一個包含每個機器人的清單——科斯特這些人就是這麽做的。對於機器人制造者來說就更簡單了:一切按照文字檔案的規定來。
從一開始科斯特就明確表示,他並不討厭機器人,也不打算消滅它們。1994 年初,有一個名為 WWW-Talk,包括提姆·伯納斯·李(Tim Berners-Lee)和馬克·安德森(Marc Andreessen)等早期互聯網先驅的信件列表,科斯特給這個列表發送的第一封電子信件中說:「網路中有少數會造成執行問題和令人不快的情況,機器人是其中之一。但與此同時,它們確實提供了有用的資訊。」
科斯特說,不要爭論機器人是好是壞——因為這並不重要,它們就在這裏,不會消失,他只是想設計一種系統,「將問題最小化,將利益最大化」。
到那年夏天,他的建議已經成為一項標準——雖然不是官方標準,但已被普遍接受。那年 6 月,科斯特再次向 WWW-Talk 小組更新提案,他寫道,「這是一種透過在伺服器上提供一個簡單的文字檔案,引導機器人遠離網路伺服器 URL 空間中某些區域的方法。如果你有大型檔、帶有大量 URL 子目錄的 CGI 指令碼、臨時資訊,或者你根本不想為機器人提供服務,那麽這種方法就特別方便。」
他建立了一個特定主題的信件列表,其成員就這些文字檔案的一些基本語法和結構達成一致,把檔名從 RobotsNotWanted.txt 改為簡單的 robots.txt,幾乎所有成員都支持它。在接下來 30 年的大部份時間裏,這種方式都非常有效。
接著,硬碟不再適合互聯網,機器人的功能也隨之變得更強大更細分。谷歌使用機器人來提取和索引其整個網路的搜尋引擎,該搜尋引擎成為網路的介面,每年已為該公司帶來了數十億美元的收入。必應的爬蟲也如此,微軟將其資料庫授權給其他搜尋引擎和公司。
網際網路檔案館(非營利組織,定期收錄並永久保存全球網站上可以抓取的資訊)使用爬蟲來儲存網頁,以供子孫後代使用。亞馬遜的爬蟲在網路上尋找產品資訊,根據最近的一個反壟斷訴訟,該公司利用這些資訊來處罰那些在亞馬遜網站外提供更低價交易的賣家。
搜尋爬蟲對網站來說「有得有失」,AI 呢?
但現在,像 OpenAI 這樣的人工智慧公司提取網路數據,是為了訓練大語言模型,這些模型可能會再次從根本上改變我們存取和共享資訊的方式。
現代互聯網透過下載、儲存、組織和查詢的能力,為任何一家公司或任何一位開發人員都提供了幾乎世界上所有累積的知識。在過去的一年左右的時間裏,ChatGPT 等人工智慧產品的崛起及其背後的大型語言模型,讓高品質的訓練數據成為互聯網上最有價值的商品。
這使得各大互聯網必須重新考慮其伺服器上數據的價值,並重新思考誰可以存取哪些數據。過度放任會讓你的網站失去所有價值;過度限制則會讓你的網站成為隱形網站。你正在面對新的公司、新的合作夥伴和新的利害關系,必須不斷作出選擇。
互聯網機器人有幾種型別。你可以做一個人畜無害的機器人,讓你所有的網頁連結到其他有效的網頁上;你也可以讓一個糙漢的機器人,在網上到處搜集可以找到的每個電子信件地址和電話號碼。但最常見的也是目前最具爭議的,是最簡單的網路爬蟲,它的工作就是盡可能多地尋找和下載互聯網上的內容。
網路爬蟲的執行一般都很簡單。它們從一個網站開始,例如 cnn.com、wikipedia.org 或 health.gov。爬蟲下載第一頁並將其存放在某個位置,然後自動點選該頁面上的每個連結,下載這些連結,點選上面的所有連結,再點選、下載……。只要有足夠的時間和足夠的計算資源,爬蟲最終就能找到並下載所需的上億個網頁。
2019 年,谷歌約有超過 5 億個網站擁有 robots.txt 頁面,來規定是否允許這些爬蟲存取以及允許存取哪些內容。這些頁面的結構通常大致相同:命名一個「使用者代理」(User-agent),即爬蟲向伺服器表明身份時使用的名稱。
谷歌的代理是 Googlebot;亞馬遜的代理是 Amazonbot;必應的代理是 Bingbot;OpenAI 的代理是 GPTBot。Pinterest、LinkedIn、Twitter 以及許多其他網站和服務都有自己的機器人,但並非所有機器人都會在每個頁面上被提及。
![](https://img.jasve.com/2024-2/55bed9450c92f42e12dd9bdc449c850a.webp)
谷歌對Googlebot的解釋|圖片來源:Google
維基百科和 Facebook 這兩個平台,被機器人接管得最為徹底。在 robots.txt 頁面下面,推出了不允許特定代理存取的網站部份或頁面,以及允許存取的特定例外情況。如果這一行只寫著「禁止:/」,則完全不歡迎爬蟲。
現在對於大多數人來說,「伺服器過載」已經不是什麽需要考慮的問題了。谷歌搜尋發起者之一約翰·穆勒(John Mueller)說:「現在,這通常與網站資源關系不大,更多與個人喜好有關,也就是你想要爬取和索引什麽就有什麽。」
大多數網站所有者需要回答的最大問題就是,是否允許被谷歌機器人抓取。這個問題的取舍相當簡單:如果谷歌可以抓取你的頁面,它就可以將其編入索引並顯示在搜尋結果中。任何您希望 Google 抓取的頁面,Googlebot 都需要看到。(當然,Google 在哪裏展示的你網站,在何處折疊頁面,這是另一個問題。)前面的問題就在於,你是否願意讓 Google 占用你的頻寬並下載你網站,以換取被搜尋帶來的可見性。
對於大多數網站來說,這是很容易做的決定。Medium 創始人東尼·斯塔布賓(Tony Stubblebine)說:「谷歌是我們最重要的爬蟲。谷歌下載 Medium 的所有網頁,作為交換,我們獲得了大量的流量,這是雙贏。每個人都這麽認為,這就是谷歌與整個互聯網達成的協定,在向其他網站傳輸流量的同時,他們還在搜尋結果中出售廣告。」
從各個方面來看,谷歌都是 robots.txt 的好公民。谷歌的穆勒說,「幾乎所有知名的搜尋引擎都遵守了這一規定。」他們很高興能夠抓取網頁,也沒有因此惹惱別人,只會讓大家的生活變得更輕松。
數據被用來訓練 AI,是肉包子打狗?
在過去一年左右的時間裏,人工智慧的興起顛覆了這種方式。對於許多出版商和平台來說,他們的數據被抓取訓練,感覺不像是交易,更像是被偷竊。
斯圖布爾賓說:「我們很快就發現,人工智慧公司不僅沒有進行價值交換,我們也沒有得到任何報酬,完全是零。」去年秋天,當斯塔伯賓宣布將封鎖 AI 爬蟲時,他寫道:「AI公司從作家那裏攫取了價值,以便向互聯網讀者發送垃圾信件」。
過去一年,媒體行業的大多數人都達成斯塔布賓的觀點。去年秋天,BBC 國家總監羅德裏·塔爾凡·戴維斯 (Rhodri Talfan Davies) 寫道:「我們認為,目前這種未經允許就『搜刮』BBC 數據以訓練大模型的做法不符合公眾利益,」他宣布 BBC 也將封鎖 OpenAI 的爬蟲。
【紐約時報】也封鎖了 GPTBot,幾個月後對 OpenAI 提起訴訟,指控 OpenAI 的模型是透過使用【紐約時報】數百萬篇受版權保護的新聞文章、深度調查、觀點文章、評論、操作指南等建立起來的。路透社新聞套用編輯賓·威爾斯(Ben Welsh)的一項研究發現,在 1156 家公開出版商中,有 606 家在其 robots.txt 檔中封鎖了 GPTBot。
不僅僅是出版商,亞馬遜、Facebook、Pinterest、WikiHow、WebMD 和許多其他平台都明確禁止 GPTBot 存取其部份或全部網站。在這些 robots.txt 頁面中,OpenAI 的 GPTBot 是唯一一個被明確完全禁止的爬蟲,但也有很多其他人工智慧專用機器人開始爬取網路,比如 Anthropic 的 anthropic-ai 和谷歌的新版 Google-Extended。
根據 Originality.AI 去年秋季進行的一項研究,網路上排名前 1000 位的網站有 306 個封鎖了 GPTBot,但只有 85 個封鎖了 Google-Extend,28 個封鎖了 anthropic-ai。
也有一些爬蟲同時用於網路搜尋和 AI 訓練。由 Common Crawl 組織營運的 CCBot 作為搜尋引擎抓取網路,但其數據也被 OpenAI、谷歌等公司用於訓練模型。微軟的 Bingbot 既是搜尋爬蟲,也是 AI 爬蟲。而這些僅僅是表明自己身份的爬蟲——還有許多爬蟲試圖「陰暗地」執行,因此很難在無數的網路流量中封鎖它們,甚至都找不到它們。
在很大程度上,GPTBot 之所以成為 robots.txt 中的最主要被封鎖物件,是 OpenAI 自己允許的。OpenAI 釋出推廣了一個關於如何封鎖 GPTBot 的頁面,還建立了自己的爬蟲,以便在每次接近各個網站時候,大聲嚷嚷是誰來了。
當然,OpenAI 是在制作出如此強大的底層模型之後才做這事的,這時候它都已經成為了技術生態系的重要組成部份。
![](https://img.jasve.com/2024-2/9c38a00ea55643a732c3aa10c3ed17d9.webp)
OpenAI 的部份安全性聲明|圖片來源: OpenAI
但 OpenAI 的首席戰略官 傑森·權(Jason Kwon)說,這正是問題的關鍵所在,他說,「我們是生態系中的一個參與者。如果你想以開放的方式參與這個生態系,那麽這是每個人都感興趣的。」他說,如果沒有交易,網路就會開始收縮、關閉——這對 OpenAI 和每個人來說都是不利的,「我們做這一切都是為了讓網路保持開放」。
在預設情況下,【機器人修復協定】一直是被允許的。因為就像科斯特 30 年前所做的那樣,它相信大多數機器人都是好的,都是由好人制造的。總的來說,這個思想也是正確的。「我認為互聯網從根本上說是一種社會生物,」OpenAI 的傑森·權說,「這種握手言和方式已經持續了幾十年,並且很有效。」他說,OpenAI 在遵守這一協定方面的作用包括:保持 ChatGPT 對大多數使用者免費(從而實作價值反哺),並尊重機器人的規則。
阻止 AI 爬蟲,是對抗未來嗎?
但是,robots.txt 並不是一份法律檔,在它誕生 30 年後的今天,仍然依賴於所有相關方的善意。任何爬蟲都可以無視 robots.txt,用不用擔心受到影響。(網路抓取問題也有法律先例,但很復雜,且主要是在允許抓取的情況下,而不是禁止情況)。
例如,網際網路檔案館在 2017 年就宣布不再遵守 robots.txt 的規則。網際網路檔案館 Wayback Machine 主任馬克·格雷厄姆(Mark Graham)當時寫道:「隨著時間的推移,我們發現,為了搜尋引擎而建的 robots.txt 檔並不一定符合我們的目的。」
隨著人工智慧公司的不斷增加,他們的爬蟲也越來越肆無忌憚,任何想「事不關己高高掛起」或坐等人工智慧占領世界的人,都將面臨著一場無休止的「打地鼠」遊戲。
人們需要盡力阻止每個爬蟲(如果可能的話)的同時,還要考慮一個人後果——如果真的像谷歌等公司預測的那樣,AI 是搜尋的未來,那麽阻止 AI 爬蟲可能是短期的勝利,長遠的災難。
阻止和不阻止 AI 爬蟲的兩方都有人認為,需要更好、更強、更嚴格的工具來管理爬蟲。因為事關的利益太大,而且有太多不受監管的例子出現,畢竟不能指望每個人都自覺遵守規則。2019 年,一篇關於網路爬蟲合法性的論文中寫道:「雖然許多人在使用網路爬蟲時有一些自我管理規則,但整體規則過於薄弱,且追責困難。」
一些出版商希望有新的規則,可以對抓取的內容和用途進行更準確的控制,而不是 像 robots.txt 一樣一刀切,只有「是」或「否」。幾年前,谷歌曾努力將機器人排除協定作為正式的官方標準,谷歌也曾以 robots.txt 為舊標準、太多網站不重視它,力圖不再強調 robots.txt。
![](https://img.jasve.com/2024-2/2e93df0408304c32ccd92e867402803c.webp)
谷歌 robots.txt 範例|圖片來源:Google
谷歌信任副總裁丹尼爾·羅曼(Danielle Romain)2023 年寫道:「現有的網路釋出者控制規則是在新的 AI 和研究案例之前開發的。現在是時候為網路和 AI 社群,重新探索機器讀取方式,以供網路出版商選擇。」
即使在訓練大模型上,AI 公司面臨著很多監管和法律問題,但大模型仍在快速進步,似乎每天都有新公司成立。現在不論大小的網站都面臨著一個抉擇:是屈從於人工智慧革命,還是堅守選擇陣地進行對抗。對於那些屈服的網站來說,他們最有力的說辭,便是沿用三十年的 robots.txt,這個由一些最早最樂觀的互聯網忠實信徒們達成的協定。他們相信,互聯網是好的,其中都是希望互聯網變好的人。
在那個世界,用文字檔案解釋你的願望就足夠了。現在,隨著 AI 重塑互聯網的文化和經濟,一個不起眼的純文字檔案開始有點過時了。