文章转载来源：Model进化论
编辑：桃子 好困
来源：新智元
导读：就在刚刚，OpenAI推出了GPTBot——一个可以自动从整个互联网抓取数据的网络爬虫。 得到的这些数据则会被用来训练像GPT-4和GPT-5这样的AI模型！
前段时间，抓取平台用户数据风波，Reddit网友吵翻了天。
今天，OpenAI推出了一个网络爬虫工具GPTBot，能够自动抓取网站的数据。
OpenAI在发布的文档中表示，网络爬虫将过滤删除需要付费强访问的来源，同时也会删除个人身份信息（PII）或违反其政策的文本。
GPTBot抓取的数据，被用来训练GPT-4或GPT-5，能够提升未来人工智能系统的准确性和能力。
可通过以下代码识别该工具：
User agent token: GPTBotFull user-agent string: Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; GPTBot/1.0; +https://openai.com/gptbot)
另一方面，你也可以通过将GPTBot添加到站点robots. txt，来禁止其访问网站。
这意味着，网站所有者必须自愿采取措施，禁止OpenAI对自己的网站访问，不将自己的数据用来训练。
User-agent: GPTBotDisallow: /你还可以通过以下代码，来控制GPTBot对网站部分内容的访问。
User-agent: GPTBotAllow: /directory-1/Disallow: /directory-2/
IP出口
对于OpenAI的爬虫，将从OpenAI网站上记录的IP地址块调用网站。
OpenAI此举引发了网友对用于训练AI模型的网络爬虫的道德问题的讨论。
「OpenAI甚至没有适度引用。它是在制作衍生作品，却没有引用，从而掩盖了它的事实。」
网友表示，终于有机会阻止OpenAI抓取你的网络数据，来训练模型。
还有人表示，ChatGPT浏览器插件已被移除一段时间，部分原因是它可以访问付费墙后面的内容。
前段时间，OpenAI于7月18日向美国专利局提交了GPT-5的商标申请，暗示着公司正在训练更高级的AI系统。
GPTBot显然将帮助该OpenAI从互联网上收集更多数据来训练这个模型。
参考资料：
https://platform.openai.com/docs/gptbot
来源：Model进化论
发布人：暖色
声明：该文观点仅代表作者本人，不代表火讯财经立场。火讯财经系信息发布平台，仅提供信息存储空间服务。
如文章涉及侵权， 请及时致函告之，本站将第⼀时间删除⽂章。邮箱：840034348@qq.com
商务合作：840034348@qq.com
媒体合作：840034348@qq.com
投稿合作：840034348@qq.com
微信公众号
iPhone & Android
