# 如何防止AI聊天機器人抓取網站內容

- 連結：https://leggie.co/%e5%a6%82%e4%bd%95%e9%98%b2%e6%ad%a2ai%e8%81%8a%e5%a4%a9%e6%a9%9f%e5%99%a8%e4%ba%ba%e6%8a%93%e5%8f%96%e7%b6%b2%e7%ab%99%e5%85%a7%e5%ae%b9/
- 發佈時間：2023-07-02T14:09:04+08:00
- 作者：Leggie

![Google Bard](data:image/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw
==)

圖片來源：unsplash

現今，AI聊天機器人無需獲得許可即可自由地抓取你的網站內容。這對於許多網站擁有者來說
可能是一個令人擔憂的問題。然而，有一些方法可以防止AI工具訪問你的網站，但這些方法
也有一些限制。

## AI聊天機器人如何訪問你的網站內容？

AI聊天機器人通過使用多種數據集進行訓練，其中一些是開源的並且可以公開獲取。例如，
GPT3就是使用五個數據集進行訓練的，這是根據OpenAI發表的一篇研究論文：

 * Common Crawl（訓練中佔60%的權重）
 * WebText2（訓練中佔22%的權重）
 * Books1（訓練中佔8%的權重）
 * Books2（訓練中佔8%的權重）
 * Wikipedia（訓練中佔3%的權重）

Common Crawl包含自2008年以來收集的來自網站的數據，其數據量以PB（數千TB）計算，這
與Google的搜尋算法抓取網頁內容的方式相似。WebText2是OpenAI創建的數據集，包含來自
Reddit貼文的約4500萬個網頁連結，這些貼文至少獲得了三個讚。

因此，對於ChatGPT這種AI機器人來說，它並不是直接訪問和抓取你的網頁——至少現在還不是。
然而，OpenAI宣布將推出一款由ChatGPT主導的網頁瀏覽器，這引發了人們對這種情況可能即將
改變的擔憂。

與此同時，網站擁有者應該密切關注其他AI聊天機器人，因為市場上的這種機器人越來越多。
Bard是該領域的另一個重要名字，但我們對用於訓練它的數據集知之甚少。顯然，我們知道
Google的搜尋機器人不斷地抓取網頁，但這並不一定意味著Bard可以訪問相同的數據。

## 為什麼有些網站擁有者會感到擔憂？

對於網站擁有者來說，他們最大的擔憂是像ChatGPT、Bard和Bing Chat這樣的AI機器人會貶低
他們的內容價值。AI機器人使用現有的內容來生成他們的回應，但同時也減少了用戶訪問原始
來源的需求。用戶不再需要訪問網站來獲取資訊，他們可以簡單地讓AI機器人生成他們需要
的資訊摘要。

對於AI聊天機器人在搜尋中的應用，網站擁有者最大的擔憂是流量的損失。在Bard的情況下，
這個AI機器人在其生成的回應中很少包含引用，告訴用戶它從哪些頁面獲取的資訊。所以，
除了用AI回應取代網站訪問之外，Bard幾乎完全消除了源網站接收流量的可能性——即使用戶
想要更多的資訊。另一方面，Bing Chat更常見的是連結到資訊來源。

換句話說，當前的生成型AI工具正在使用內容創作者的工作來系統性地取代內容創作者的需要。
最終，我們必須問的是，這還留給網站擁有者繼續發布內容的動力嗎？並且，當網站停止發布
AI機器人依賴的內容時，AI機器人會發生什麼？

## 如何阻止AI機器人訪問你的網站？

如果你不希望AI機器人使用你的網頁內容，你可以使用robots.txt文件來阻止它們訪問你的
網站。不幸的是，你必須阻止每一個單獨的機器人並按名稱指定它們。

例如，Common Crawl的機器人被稱為CCBot，你可以通過在你的robots.txt文件中添加以下代碼
來阻止它：

    ```wp-block-code
    User-agent: CCBot
    Disallow: /
    ```

這將阻止Common Crawl在未來抓取你的網站，但它不會刪除已經從之前的抓取中收集的任何
數據。

如果你擔心ChatGPT的新插件訪問你的網頁內容，OpenAI已經發布了阻止其機器人的指南。在
這種情況下，ChatGPT的機器人被稱為ChatGPT-User，你可以通過在你的robots.txt文件中添加
以下代碼來阻止它：

    ```wp-block-code
    User-agent: ChatGPT-User
    Disallow: /
    ```

然而，阻止搜尋引擎AI機器人抓取你的內容是另一個完全不同的問題。由於Google對其使用
的訓練數據保密，因此無法確定需要阻止哪些機器人，也無法確定它們是否會尊重你的robots.
txt文件中的命令（許多爬蟲不會）。

## 這種方法有多有效？

在你的robots.txt文件中阻止AI機器人是目前可用的最有效方法，但並不特別可靠。

首先，你必須指定要阻止的每一個機器人，但誰能跟蹤市場上每一個AI機器人呢？下一個問題
是，你的robots.txt文件中的命令是非強制性的指示。雖然Common Crawl、ChatGPT和許多其他
機器人尊重這些命令，但許多機器人不會。

另一個大的限制是，你只能阻止AI機器人進行未來的抓取。你無法刪除之前抓取的數據，也
無法向像OpenAI這樣的公司發送請求，要求刪除所有的數據。

## 你應該阻止AI工具訪問你的網站嗎？

不幸的是，沒有簡單的方法可以阻止所有AI機器人訪問你的網站，並且手動阻止每一個單獨
的機器人幾乎是不可能的。即使你跟上了最新的AI機器人，也不能保證他們都會遵守你的robots.
txt文件中的命令。

這裡的真正問題是，結果是否值得努力，簡單的答案是（幾乎肯定）不。

阻止AI機器人訪問你的網站也有可能的缺點。最重要的是，你將無法從搜尋引擎的流量中獲益，
這可能對你的網站有重大影響。此外，你可能會阻止一些有益的機器人，如網站分析工具或
搜尋引擎優化（SEO）工具。

然而，這並不意味著你應該完全無視AI機器人對你網站的影響。相反，你應該密切關注這個
問題，並考慮你的選擇。例如，你可能想要阻止某些特定的機器人，或者你可能想要尋找其他
方法來保護你的內容。

AI機器人是一個複雜的問題，並且沒有簡單的解決方案。但是，通過了解這些工具是如何工作
的，以及你可以採取的步驟，你可以更好地保護你的網站和你的內容。
