OpenAI 推出新网络爬虫GPTBot，为GPT-5做准备

在人工智能时代，OpenAI的ChatGPT已经成为一种强大的大语言模型（LLM），可以生成类似人类的文本响应。为了增强其能力，ChatGPT 推出了一款名为 GPTBot 的网络爬虫，用于从网站收集数据来训练其人工智能模型。

一、GPTBot是什么？它是如何工作的？

ChatGPT 的网络爬虫 GPTBot 是一种先进的人工智能 (AI) 驱动的工具，旨在从互联网收集信息。GPTBot 从网站收集文本数据，以提高 OpenAI 语言模型的性能。它旨在抓取不需要付费访问、不收集个人身份信息 (PII) 且不包含违反 OpenAI 政策的文本的网页。GPTBot 首先抓取种子 URL 列表；然后，它会沿着这些页面上的链接抓取新页面，直到达到预定数量的页面或抓取特定数量的文本数据。

通过从其爬取的网站收集和分析大量文本数据，ChatGPT 网络爬虫有助于增强人工智能对人类语言的理解，使其能够生成更准确且与上下文相关的响应。

对于允许 GPTBot 抓取的网站，企业（通常是在无意中）将他们的内容贡献给 OpenAI 现有和未来模型（如 GPT-4 和 GPT-5）的训练和增强，这些模型为 ChatGPT AI 聊天机器人提供动力。

二、GPTBot 与 Google Bot 等搜索引擎网络爬虫有何不同？

虽然传统的网络爬虫主要由搜索引擎用来对网站进行索引和排名，但 ChatGPT 的网络爬虫有不同的用途。它旨在收集和分析来自各种来源的大量数据，以在其聊天机器人服务的上下文中生成高质量、上下文相关且引人入胜的用户查询响应。

虽然 GPTBot 和其他网络爬虫（例如 Google Bot）都从网站收集数据，但它们的目的不同。Google Bot 对网站进行索引并在搜索结果中对其进行排名，通过增加流量和提高可见性来使网站受益。相比之下，GPTBot 收集数据来训练 ChatGPT 等 AI 模型，这可能不会直接使其爬取的网站受益。

ChatGPT 的网络爬虫是一个系统地浏览网站、收集信息以提高语言模型对世界的理解的程序。与 Google 等搜索引擎使用的传统网络爬虫不同，ChatGPT 的爬虫专注于总结整个网络的数据，而不提供引用。GPTBot 旨在收集信息以增强语言模型的响应，而不增加特定网站的流量。

三、GPTBot 与 Perplexity AI 的网络爬虫有何不同？

ChatGPT 总结了整个网络的数据，但不提供引用，这使得追踪信息来源变得困难，并且不提供已爬网网站的反向链接。相比之下，Perplexity AI 提供简短的答案和信息列表，其中包括用户可以找到更详细信息的来源的链接，这可能会将流量带回已爬取的网站。

四、允许 GPTBot 爬取有哪些风险和好处？

在决定是否允许 GPTBot 访问您的网站之前，必须权衡风险和收益。

4.1 允许 GPTBot 的好处

• 对人工智能开发的贡献： 允许GPTBot 访问您的网站有助于开发更先进的人工智能模型，这可以使企业和用户受益。
• 增强的人工智能服务： 如果您的企业使用人工智能驱动的服务，允许 GPTBot 访问您的网站可能会提供更准确且与上下文相关的响应，从而有助于提高这些服务的性能。

4.2 允许 GPTBot 的风险

• 隐私问题： 一些企业可能会担心其数据的隐私，因为 GPTBot 会收集和分析来自网站的文本数据。
• 失去归属： ChatGPT 的摘要不提供原始来源的引用或直接链接，可能会导致内容创建者失去归属。这引起了人们对使用网络内容而不提供任何回报的公平性的担忧。
• 非法转载内容： 网络爬虫可用于抓取内容进行非法转载，这可能会侵犯原网站所有者的版权。
• 收集数据的潜在滥用： ChatGPT 网络爬虫收集的数据可能会被滥用或利用，从而损害网站所有者或用户的利益。
• 网站流量减少： 由于 ChatGPT 提供汇总信息而不增加网站流量，因此企业的直接网站访问量可能会减少。
• 带宽消耗： 网络爬虫会消耗服务器资源和带宽，可能会影响网站性能。

五、企业如何判断 GPTBot 是否访问了他们的网站？

GPTBot 可以通过其用户代理令牌和字符串来识别。用户代理令牌是 GPTBot ，完整的用户代理字符串是：Mozilla/5.0 AppleWebKit/537.36（KHTML，如 Gecko；兼容；GPTBot/1.0；+https://openai.com/gptbot）

要确定 GPTBot 是否正在访问您的网站，可以检查服务器日志中是否有此用户代理令牌和字符串。如果您在日志中发现 GPTBot 实例，则表明 GPTBot 已访问您的网站。

六、为什么企业想要阻止 GPTBot？

企业可能出于多种原因想要阻止 GPTBot 访问其网站，包括：

• 保护受版权保护的内容： 阻止网络爬虫可以防止人工智能在没有适当归属或利益的情况下使用网站精心策划的内容。
• 防止个人信息收集： 网络爬虫可以在未经所有者或用户同意或不知情的情况下收集个人或敏感信息，这可能会侵犯隐私权。
• 避免内容滥用： 阻止网络爬虫有助于防止所收集数据的潜在滥用或利用。
• 维持网站流量： 一些企业可能希望确保用户访问其实际网站来访问内容，这对于创收或维持用户参与度可能很重要。

七、如何阻止 GPTBot 爬取网站

如果您认为允许 GPTBot 访问您的网站的风险大于好处，可以使用以下步骤进行阻止：

1. 更新 robots.txt 文件： 向您网站的 robots.txt 文件添加一条规则，以禁止 GPTBot 访问您的网站。为此，可以将以下行添加到网站的 robots.txt 文件中：

   User-agent: GPTBot
   Disallow: / 
   

2. 通过 Google 验证更改： robots.txt 更新后，通过 Google 进行验证，以确保更改不会产生意外后果，例如阻止 Google Bot 爬取。

3. 监控服务器日志： 定期检查服务器日志，以确保 GPTBot 遵守 robots.txt 规则并且不会访问网站。

上述规则限定 GPTBot 不要访问网站的所有部分。如果想阻止 ChatGPT 网络爬虫访问站点的特定部分，请将 Disallow 行中的 / 替换为适当的目录路径。

值得注意的是，阻止 GPTBot 可能不会阻止 ChatGPT 的网页浏览版本或 ChatGPT 插件访问当前网站以向用户转发最新信息。

八、GPTBot 使用者要注意的问题

• 安全性：在采集比较敏感的数据时，最好先查询下相关法律法规，特别是用户个人信息、其他商业平台的信息等。
• 稳定性：一个稳定的策略，不仅可以提高爬取效率，还可以避免一些不必要的问题。
• 隐私性：在爬取数据时要注意服务器IP的隐秘性，避免一些恶意网站反向追踪你的服务器，对你进行恶意攻击。

对于以上问题，使用者不仅要熟悉相关法律法规，还要熟练使用爬虫必要的技术，比如动态IP代理技术，可以解决上述大部分问题，如：

• 避免IP封锁：动态IP代理技术能够自动更换IP地址，从而避免目标网站对特定IP地址的封锁。
• 提高爬虫效率：通过更换IP地址，爬虫可以绕过网站的访问频率限制，提高爬取数据的效率。
• 保护爬虫隐私：动态IP代理技术可以隐藏爬虫的真实身份，保护爬虫免受恶意攻击和追踪。

九、结论

GPTBot 是一款强大的人工智能驱动工具，有可能以多种方式对业务产生重大影响；虽然它可以增强语言模型的能力并为用户提供多样化的信息，但它也引起了对归因、可追溯性和隐私的担忧。通过了解它是什么、它是如何工作的、它的潜在影响以及允许它抓取您的网站的风险和好处，可以就是否接受或阻止这项创新技术做出明智的决定。

以多种方式对业务产生重大影响；虽然它可以增强语言模型的能力并为用户提供多样化的信息，但它也引起了对归因、可追溯性和隐私的担忧。通过了解它是什么、它是如何工作的、它的潜在影响以及允许它抓取您的网站的风险和好处，可以就是否接受或阻止这项创新技术做出明智的决定。