原創 數字生命卡茲克 數字生命卡茲克

昨天看到一個非常有意思的事情。

這是第一次，全世界最大的網絡基礎設施公司之一，Cloudflare，開始用魔法打敗魔法，用AI來對抗AI爬蟲。

這事情的有意思的程度，足以載入AI發展史冊。

這是一次，AI領域的全面戰爭。

你可能現在還有很多疑惑，Cloudflare是什么，AI爬蟲是什么，AI迷宮又是什么，這個事到底有意思在哪。

這一切的開始，我想先跟你講一個故事。

一個在今年1月份，發生在一個僅有7人的烏克蘭公司的故事。

這個公司叫做Triplegangers，做的業務特別簡單，就是賣人的3D數字模型。

Triplegangers專注于銷售“人體的數字孿生”模型素材，這些高清3D模型照片來自真實的人類掃描，價值巨大。

創始人Tomchuk一直很滿意，公司雖然不大，但是是他最喜歡的事情。

這個網站上，一共共有65000個產品頁面，每個產品的頁面至少放著三張高清照片。 每一張圖片，都細致地標注了年齡、膚色、紋身甚至傷疤。

但是，就在一個普通的周六早上， 平靜被一場風暴驟然打破。

Tomchuk收到了一條緊急通知：公司網站崩潰了，因為受到了大量的DDoS攻擊。

他懵逼了，因為平時也沒啥仇人，更沒啥競品，守著自己那一畝三分地，誰會好好的來攻擊自己呢？

他驚慌失措地開始調查原因，很快發現，居然是OpenAI的爬蟲機器人，GPTBot在攻擊他的網站。

GPTBot瘋狂地爬取每一個頁面， 數十萬張照片、數十萬個描述， 在短短幾小時內被無情下載。

這些爬蟲機器人使用了整整600個IP地址，數以萬計的服務器請求，這種網站哪見過這種架勢，網站的服務器瞬間癱瘓，業務陷入停滯。

Tomchuk人都傻了，不僅自己的數據全丟了，被OpenAI爬的干干凈凈，更糟的是，由于服務器壓力暴漲， 公司還將面臨一筆巨額的AWS賬單。

他們這個七人的團隊花了十年心血，才構建了這個龐大的數據庫，客戶遍及游戲開發、動畫制作等多個行業。

而現在，啥也沒了。

更令人無奈的是，他們原本就明確禁止爬蟲機器人未經許可抓取網站數據。

但是因為沒那么懂AI，也不太知道那些AI大模型公司的玩法，所以沒有嚴格配置robot.txt 文件，沒有配專門告知OpenAI的機器人GPTBot不要訪問該網站的標簽，這基本等同于默認允許了OpenAI的抓取行為。

關鍵是吧，配了GPTBot的標簽也不夠，因為OpenAI還有ChatGPT-User和OAI-SearchBot，這兩個標簽也要配。你甚至不知道他們還有啥。

"我們原以為禁止條款就足夠了，沒想到還必須專門設定拒絕機器人的規則。"

幾天后，Tomchuk終于設置好了Triplegangers的robot.txt文件，并啟用了Cloudflare服務以屏蔽更多爬蟲。

Cloudflare大家可能沒聽過，但是大多數人應該都見過。

就這個玩意，讓你在進入某些網頁之前，驗證一下你是否是人類。

不過這玩意也不是免費的，挺燒錢的，都是成本。但是為了再防一波OpenAI那種流氓行為，他們只能啟用。

這些服務的錢，都還好說，但是讓Tomchuk最痛苦的事，他根本不知道，OpenAI到底拿走了多少素材。

而且，Tomchuk說：

"我們甚至聯系不上OpenAI，也無法要求他們刪除已抓取的數據。"

甚至最離譜的是，如果不是OpenAI這么貪，一次性請求太多，直接把Triplegangers爬崩潰了，而是慢慢爬，一點一點的。

Tomchuk可能這輩子都發現不了自己的數據已經全部丟的干干凈凈了。

OpenAI的爬蟲邏輯很簡單，如果你家門口沒有保安站崗，那就說明你默認你家里的東西我就都可以拿走，都是我的。因為你沒說不準我拿，也沒設保安，所以我就可以進門全部洗劫一空。

這是一場戰爭。

一場沒有硝煙的戰爭。

一場關乎于保護自己財產神圣不可侵犯的戰爭。

一場關乎于我們，跟這些AI公司的AI爬蟲的戰爭。

Trilegangers的遭遇并不是孤例。

在許多許多公司和內容創作者的眼中，AI爬蟲就是這個時代的數字蝗蟲，所過之處令網站不堪重負，數據還被洗劫一空。

去年夏天，還有一個著名的的例子，來自于非常老牌的維修教程網站，iFixit。

iFixit發現，他們的網站也成了AI爬蟲的盤中餐。

但這一次，吃相難看的不是OpenAI，而是另一個AI王者，Anthropic公司的爬蟲ClaudeBot。

當時iFixit的CEO怒不可遏地在社交媒體上爆料：

ClaudeBot在短短24小時內瘋狂訪問了iFixit近一百萬次。直接差點把他們的網站擠爆，觸發了所有報警系統，迫使iFixit的運維團隊連夜加班處理。

更離譜的是，iFixit早就明文禁止未經許可抓取他們的內容用于AI訓練，這一條清清楚楚地寫進了網站的使用條款，甚至特別注明“不得將本網站內容用于機器學習或AI模型的訓練”。

但是Anthropic的爬蟲明顯不care這些聲明，依舊我行我素地狂扒數據。

更讓無語的是，當這事爆了之后，有媒體就去問Anthropic，對方給出的回應幾乎和OpenAI如出一轍：

他們表示ClaudeBot爬蟲是遵守robots.txt的，如果網站不想被抓，就應該在 robots 文件里屏蔽Claude。

言下之意，就是iFixit你自己明明沒說啊，沒在robots.txt徹底封禁啊，我們當然就有權一直爬下去啊。

無奈之下，iFixit只好趕緊修改了robots.txt，添加了針對ClaudeBot的延遲和阻止規則。

可這件事留給業界的震動卻揮之不去，坦率的講，連iFixit這樣熟悉網絡技術的知名網站，一開始都沒料到 AI 爬蟲會如此不講武德，明知道別人不情愿卻還要硬闖。

如果連老牌互聯網從業者都防不勝防，那其他那些沒技術團隊守衛的小網站、小作者，又咋招架這些竊賊？

甚至更不要臉的是那個AI搜索鼻祖，Perplexity。

知名科技媒體《連線》（Wired）發現，Perplexity的爬蟲不僅沒有遵守一些網站的robots.txt 禁令，甚至試圖悄悄抓取那些明確聲明不開放給機器的角落。

換句話說，就是Perplexity公然無視robots協議，偷偷攫取了本不該拿的內容。

可能你看到這里，會疑惑robots協議是個啥。

我們把時間倒回1994年，那個時候網絡上也正經歷著爬蟲之亂。

彼時搜索引擎剛興起，一些自動爬蟲程序在網上橫沖直撞，給服務器造成了不小的負擔。

于是，一位名叫Martijn Koster的荷蘭工程師，提出了一個非常巧妙的主意：

網站管理員可以在站點根目錄放一個名為“robots.txt”的文本文件，提前告訴網絡機器人，哪里可以爬、哪里不許碰。

這個提議很快得到了行業的廣泛認可，成為互聯網早期一種非常純粹的“君子協定”。

根據robots協議，如果網站在robots.txt里標明了禁止抓取某些內容，那么守規矩的爬蟲就應該乖乖止步，不去觸碰那些被列入黑名單的路徑。

這套機制本質上完全依賴自覺，它沒有法律強制力，靠的是爬蟲開發者愿意遵守規則的良知和誠意。

但令人欣慰的是，在相當長的歲月里，這種誠意基本上保持了下來。

Google、Yahoo等搜索引擎尊重robots.tx 的邊界，微軟的Bing也是如此，甚至后來各式各樣善意的網絡爬蟲，都把不傷害網站、遵循站長意愿當作職業道德的一部分。

正因為有robots.txt的存在，網站管理員才愿意敞開大門讓搜索引擎索引內容，他們相信敏感或不想公開的角落可以被禮貌地避開。

這份信任，構筑了網絡內容自由流通和公平利用的基礎。

但是現在，這份來之不易的信任正被無情地侵蝕。

當AI爬蟲為了填飽模型的數據需求四處出擊時，又有多少還真正尊重 robots.txt的邊界？

OpenAI、Anthropic固然口口聲聲我們遵守robots協議，但事實是，如果你沒明確寫禁令，他們就默認可以來拿，絲毫不考慮你是否情愿。

只要你沒用足夠堅固的墻把我擋住，那就是你的錯，我闖進來就理所應當。

這種倒打一耙的邏輯讓人憤慨之余，也透出一絲悲哀。

所以，在這種背景下，Cloudflare挺身而出，作為大多數網站前的守護者，他們決定，用魔法打敗魔法，用AI，對抗AI。

他們為這些AI爬蟲，造了一整座AI迷宮。

因為過往的防御邏輯很簡單，就是用驗證的方式，直接把這些AI爬蟲攔在門外，這樣會有個問題，反而會驚動敵人，讓他們換個馬甲卷土重來。

比如OpenAI就有N個AI爬蟲。

所以他們這次的更新，用了一個更陰柔的做法：

放對手進來，但是領著它走進一個精心編織的虛假網頁迷宮。

在這個迷宮里，所有的頁面、鏈接和內容都是 AI 自動生成的，看上去像模像樣，卻全都是無意義的空城計。

那些AI爬蟲一旦被引誘進去，就會在假內容中團團轉，白白浪費計算資源和帶寬。

而這些迷宮入口對正常用戶是隱形的，真人訪客根本不會點擊到那些陷阱鏈接。而 AI 爬蟲則樂此不疲地一路追蹤下去，越陷越深，直到在虛假的信息泥潭中迷失方向。

大衛終于也有了一塊對付歌利亞的利器。

Cloudflare他們在blog中寫道：

這是一場戰爭，一邊是如狼似虎、到處搜刮數據的AI爬蟲大軍，另一邊則是苦苦守衛自己數字領土的網站站長和內容創作者們。

我不否認大模型需要海量數據訓練，創新常常伴隨著對舊有規則的沖撞。

互聯網歷史上類似的矛盾并非首次：音樂產業曾與數字盜版激烈交鋒，新聞出版商也為搜索引擎收錄內容而抗議。

也許在很多AI公司看來，網絡上的公開內容皆是取之無害、用之無罪的公共資源，抓了又何妨？

但是有沒有想過內容生產者的感受呢？知識和創意的源頭若得不到尊重和回報，最終枯竭的將是創新本身。沒有人愿意辛苦耕耘卻被機器毫無顧忌地偷走成果。

至少在現有的倫理和經濟體系下，這種行為會磨滅創作者的熱情。

到最后，網絡上留下的，全部是AI生產的AI垃圾，淹沒了整個互聯網。

戰爭已經打響，而AI領域的這場較量正是從爬蟲開始的。

我只希望，當硝煙散去，我們還能擁有一個我們所熱愛的、開放而可信的互聯網。

拋開那些宏大的技術敘事，對于我們每一個普通網民而言。

這才是我們最值得去捍衛的東西。

不是嗎。

>/ 作者：卡茲克

>/ 投稿或爆料，請聯系郵箱：wzglyay@gmail.com

原標題：《AI領域的全面戰爭，從AI爬蟲毀滅互聯網開始。》

閱讀原文