OpenAI公布GPTBot，披露从整个互联网爬取数据的网络爬虫

新知榜官方账号

2023-08-10 01:22:47

OpenAI公布GPTBot，披露从整个互联网爬取数据的网络爬虫

众所周知，OpenAI从GPT-4开始就已经对技术细节完全保密了，最初只用一份TechReport来展示基准测试结果，而闭口不谈训练数据和模型参数。尽管后来有网友各种爆料，OpenAI也从未回应。不难想象，训练GPT-4需要海量的数据，这可不是付费购买能解决的问题。大概率，OpenAI用了网络爬虫。

很多用户指控OpenAI，理由就是这种手段会侵犯用户的版权和隐私权。刚刚，OpenAI摊牌了：直接公布从整个互联网爬取数据的网络爬虫——GPTBot。这些数据将被用来训练GPT-4、GPT-5等AI模型。不过GPTBot保证了，爬取内容绝对不包括违反隐私来源和需要付费的内容。OpenAI表示：「使用GPTBot爬取网络数据是为了改进AI模型的准确性、功能性和安全性。」网站所有者可以根据需要允许和限制GPTBot爬取网站数据。

接下来，我们来看下GPTBot究竟是如何工作的，顺便了解一下屏蔽方法。

首先，GPTBot的用户代理字符串（User-AgentString）如下：

OpenAI-GPTBot/1.0 (+https://www.example.com/bot.html)

使用如下方法可以将GPTBot添加到网站的robots.txt，禁止GPTBot访问网站：

User-agent: OpenAI-GPTBot
Disallow: /

还可以允许GPTBot访问网站特定部分的内容：

User-agent: OpenAI-GPTBot
Disallow: /private/

近期，OpenAI因为未经明确批准而在网站数据上训练GPT-4等大型语言模型而遭到强烈反对。批评者们表示，即使内容可以公开访问，像OpenAI这样的公司也应该遵循训练协议。人们还担心，内容在输入AI系统时会被断章取义。但即使遵循了robots协议，鉴于其并不是规范，而只是约定俗成的，所以并不能保证网站的隐私。

GPTBot发布之后，这条动态已经在HackerNews上引发了一场争论，焦点是使用抓取的网络数据来训练人工智能系统的道德和合法性。一部分人认为，GPTBot的推出展示了使用公开数据研发AI模型的「灰色地带」：「在训练完模型后还爬取数据，这真是太好了。根据推测，这些header不会影响他们已经抓取来训练GPT的任何页面。」「现在，他们可以游说反抓取的监管并阻碍其他任何的追赶了。」鉴于GPTBot会识别自己的身份，因此网站管理员可以通过robots.txt阻止它，但有些人认为允许它这样做没有任何好处，不像搜索引擎爬虫会带来流量。

一个值得关注的问题是，受版权保护的内容会在未注明出处的情况下被使用。ChatGPT目前没有注明出处。还有人质疑GPTBot如何处理网站上的授权图片、视频、音乐和其他媒体。如果这些媒体在模型训练中用到，则可能构成版权侵权。另外一些专家认为，如果AI编写的内容被反馈到训练中，爬虫生成的数据可能会降低模型的性能。

相反，一些人认为OpenAI有权自由使用公共网络数据，并将其比作一个人从在线内容中学习。但也有人认为，如果OpenAI将网络数据货币化以获取商业利益，那么就应该分享利润。总之，GPTBot引发了关于所有权、合理使用和网络内容创建者激励机制的复杂争论。虽然遵循robots.txt是一个很好的步骤，但仍然缺乏透明度。这或许是科技界下一个舆论焦点：随着AI产品的快速发展，「数据」到底该怎么用？

本页网址：https://www.xinzhibang.net/article_detail-9638.html

寻求报道，请

关键词

分享至微信：

相关工具

有道写作

网易有道出品的智能英文写作修改和润色工具

Moonbeam

长文章AI内容创作助手

火龙果写作

AI驱动的文字生产力工具

Typeface AI

AI创意内容创作助手

ChatAI

AI内容创作工具

Peppertype.ai

高质量AI内容生成

三个国外专业免费的调色网站

三个国外专业免费的调色网站无论制作视频、编辑图片，合适的色彩会让你的作品增加视觉冲击力，所以专业的调色技术价值非凡，一部电影或一部好的视频、图片海报，专业调色耗费少则上万，多则上百万，只是大家对专业调色这个行业知之甚少，今天网玩君就为大家分享三个国外专业免费的调色网站，记得收藏好，以后编辑视频、图片

分类标签调色网站免费

04-18 16:42

电影制作中的纹理技术

纹理在电影制作中的重要性纹理是指将详细的表面特征应用于3D模型或视觉效果元素，使其看起来更逼真。纹理对于创建视觉上引人入胜且可信的电影场景至关重要，尤其是涉及CGI、动画或特效的场景。纹理还支持叙事和讲故事，可以通过纹理设置年龄大小等属性，为故事奠定基础。纹理技术的发展历程自胶片问世以来，电影制作人

分类标签纹理电影制作CGI视觉效果微缩模型UV映射

04-18 16:42

UnrealSynth虚幻合成数据生成器-NSDT

UnrealSynth虚幻合成数据生成器-NSDTUnrealSynth基于UE5虚幻引擎开发，可用于生成合成数据集，包括图像和标注数据。可用于各种行业细分场景中目标识别任务的实施效率提高。UnrealSynth合成数据工具包内容UnrealSynth基于UE5虚幻引擎开发，目前支持YOLO系列模型

分类标签 UnrealSynth虚幻引擎数据合成YOLO模型深度学习训练数据

04-18 16:42

人工智能与音乐：谷歌的Project Magenta

谷歌的Project Magenta利用人工智能技术生成音乐和其他艺术形式，如素描、视频和笑话。该项目的目标是为人们创造新的交流方式。本文介绍了该项目的背景、发展历程和应用。在上世纪90年代中期，谷歌研究院的Douglas Eck就开始了他的人生目标：融合人工智能与音乐。二十年后，他与一支谷歌研究团

分类标签人工智能音乐谷歌

04-18 16:42

如何做好SEO优化？

如何做好SEO优化？想要做好SEO优化，得从站内优化和站外优化两个方面入手。一、站内优化1.关键词定位和分析关键词整理是SEO优化中的核心工作，一旦定下来就不建议再次去更改。站长始终要记住关键词一定要和行业、产品、领域息息相关，同时还可以参考竞争对手所做的关键词，可以利用站长工具、5118、爱站网、

分类标签 SEO优化关键词定位网站架构布局

12-11 08:19

万兴科技：营收实现稳健增长，拥抱AIGC新机遇

万兴科技：营收实现稳健增长，拥抱AIGC新机遇国元证券股份有限公司耿军军近期对万兴科技进行研究并发布了研究报告《2022年年度报告点评：营收实现稳健增长，拥抱AIGC新机遇》，本报告对万兴科技给出买入评级，当前股价为75.24元。万兴科技(300624)事件：公司于2023年4月7日收盘后发布《20

分类标签万兴科技营收增长AIGC

12-11 02:11

AI分身市场潜力巨大，万兴科技、京东等已率先布局

“AI孙燕姿”和“CarynAI”引爆市场最近，“AI孙燕姿”和“CarynAI”以以假乱真的程度引爆市场，都是通过采集本人的语音、文字、图像等素材，并通过开源的生成式训练模型进行训练而成。其中，“CarynAI”成功地借助AI技术，打造了自己的AI分身，通过付费的方式，跟AI版的自己进行交往，预计

分类标签 AI孙燕姿CarynAIAI分身AIGC技术虚拟主播数字人

12-11 02:10

万兴科技推出名师必备讲演神器“万兴智演”

万兴科技推出名师必备讲演神器“万兴智演”9月8日，万兴科技面向泛知识领域，推出名师必备讲演神器“万兴智演”。该款AI演示新品集成强大的AIGC能力、精美的行业课程模板以及动画特效素材，大大简化课件制作过程。同时，产品内置强大的录制、直播功能，通过真人实拍与演示内容相结合的形式，实现人景融合的实时演示

分类标签万兴科技万兴智演AI演示

12-11 02:09

万兴科技创始人吴太兵在2023互联网岳麓峰会上的主题演讲

万兴科技创始人吴太兵在2023互联网岳麓峰会上的主题演讲2023互联网岳麓峰会论坛上，万兴科技创始人、董事长兼总裁吴太兵进行主题演讲。红网时刻新闻记者郭雅倩甘红长沙报道十届、十年，岳麓峰会从2014年的“湖湘汇”到如今云集万人的盛会，积攒了巨大的关注度和影响力。6月19日，2023互联网岳麓峰会在长

分类标签万兴科技吴太兵岳麓峰会

12-11 02:05

樟宜机场：通过科技改变旅客体验

樟宜机场：通过科技改变旅客体验樟宜机场在智能手机上移动的小红点代表了在机场上空飞行的飞机，通过传感器的追踪获取了相关飞行轨迹。机场通过人工智能、面部识别和数据分析等技术的应用，不断提高机场运营效率，保持创新，致力于成为一个旅客体验更佳、充满活力的目的地。人工智能优化机场运营效率樟宜机场在2017年共

分类标签樟宜机场科技旅客体验

12-10 22:16