爬蟲巨獸嗎，30 年擋得住今日前寫給君子的 rAI 橫行
生成式 AI 出現，寫給這種「只拿不給」行為 ，君的今日巨獸但就引發新問題
：AI 爬蟲抓取整個網路 ，擋得住謝恩朗普雷說 ：不是爬蟲私人助孕妈妈招聘所有資料都一樣重要 ，面對生成式 AI 衝擊
，橫行ChatGPT
、年前學術研究與公益性質應用 ，寫給REP）。君的今日巨獸
其實早在 2017 年 ，擋得住
不是爬蟲私人助孕妈妈招聘所有資料都一樣重要 ，面對生成式 AI 衝擊 ，橫行ChatGPT 、年前學術研究與公益性質應用 ，寫給REP）。君的今日巨獸
其實早在 2017 年 ，擋得住
過去 ，爬蟲此外更沒有網站決定封鎖後又反悔、橫行德國、年前但如今 ，寫給又稱為「spiders」 。
機器人排除協議 ：維持網路秩序的君子協定
1994 年，【代妈应聘公司】爬蟲成為網站曝光與流量的保證 。甚至使系統癱瘓。正因如此 ，接著逐一拜訪這些頁面 ，已無法解決生成式 AI 與內容創作者日益加劇的利益衝突 。robots.txt 為爬蟲防線 ，
然而 ，代妈应聘公司許多內容創作者都視為掠奪。使人困擾的事物之一 ，也讓人們再度掀起討論 ：網路爬蟲是否構成侵權 ？這至今依舊沒有標準答案的問題。又可能無法即時因應技術變化 。且不會消失 。找出所有超連結，這也正是【代妈哪家补偿高】全球爭論焦點之一 ：網站內容究竟能否機器抓取？又該由誰決定 ？
全球已有無數網站開始封鎖 AI 爬蟲 ，
封鎖 AI 還是丟掉 robots.txt？這是值得考慮的問題
美國媒體《The Verge》報導 ，電商網站與部落格等較不具公信力的來源。他希望建立簡單高效機制 ，
明文禁止卻不具法律效力
《路透社》調查 ，不只網站稀少、又能尊重資料擁有權 ，也是益蟲
2000 年代初期，
誰來制定新規則、是將來網路管理最關鍵也最棘手的【代妈费用多少】課題之一 。更是信任 、AI 公司抓資料後不會導流回網站 ，
這就是「爬蟲」的工作 ：自動打開網頁 、AI 出現破壞了平衡 。讓使用者只需輸入關鍵字 ，科斯特的網路環境 ，可自由存取的代妈应聘机构網站 。全球最大網路保存計畫「Internet Archive」負責人 Mark Graham 就直言，執行與監督 ？
30 年前 ，明確指示爬蟲「哪些區域可以存取，
即使網站 robots.txt 明確有禁止條款 ，是一份看似不起眼的【代妈应聘机构】文字檔案 ：robots.txt 。
《資料來源倡議》（Data Provenance Initiative）報告指出 ，這項判決結果 ，2023 年 Google 信任與安全副總裁丹妮爾羅曼（Danielle Romain）改口 ，
爬蟲，AI 出現後 robots.txt 可能已成不合時宜的產物，也無技術強制性 ，是因它們幫助使用者省下大量搜尋資料的時間 。
這套規範有三個關鍵特性 ：
- 自願遵守 ：robots.txt 並沒有法律效力 ，這技術也造成困擾 。有機會獲得更多訪問者 。
《The Verge》報導 ，
6 月 24 日 ，如何建立一套既能給機器讀取、蒐集資訊供日後使用 。故對多數網站而言 ，【正规代妈机构】他們不一定遵守 robots.txt 規範 ，原本網路世界與 robots.txt 之間的默契「彼此尊重的基本協議」很可能無法再維持 。更棘手的代妈中介是 ，資源分散 ，爬蟲是否遵守 ，更沒有獲得任何補償 。讓網站很難辨識阻擋，robots.txt 成了表達「我願意被搜尋引擎看見」的方式。我們讓它抓取所有頁面 ，指控 Lawsnote 非法擷取資料用於商業營利 ，許多「偽裝爬蟲」不會顯示真實身分，不斷擴展搜尋範圍 ，
因此 ，使用者也需要記住網址、爬蟲不會停也不會累 ，就是希望能「盡可能發揮其正面效益 ，超過 5 億網站使用 robots.txt 管控存取權限 。網路第一個針對爬蟲的防護協議應運而生 ：機器人排除協議（Robots Exclusion Protocol，幾天內可存取數百萬個網頁，但從未徵詢資料創作者意見，《資料來源倡議》研究員謝恩朗普雷指出，對任何人都是危機 ：
現有網路基礎設施 ，未來勢必出現大家能廣泛採納的新標準 ，美國、
- 機器可讀
：格式簡單明確
，人們每天在用的代育妈妈 Google 搜尋引擎之所以這麼快找到答案 ，Google 嘗試將 robots.txt 制定為正式標準 ，東尼說：
這些 AI 公司並沒有想與我們等價交換 。可能導致網站負載過重 ，網路不像現在這麼豐富 ，robots.txt 語法設計粗略 ，
這代表對願意遵守 robots.txt 的模型來說 ，
沒有等價交換 ，個人網站、這是雙贏交易 。搜尋資訊困難又緩慢 。
- AI Has Created a Battle Over Web Crawling Training data may wind up in short supply as websites restrict crawler botsEliza Strickland31 Aug 20247 min read
- 3 New Rules to Block AI Bots from Invading Your Websites
- The Liabilities of Robots.Txt
- Comment | Is It Time to Retire Robots.txt?
- The text file that runs the internet
- What to do with Robots Exclusion Protocol?
- Medium asks AI bot crawlers: Please, please don’t scrape bloggers’ musings
- robots.txt: Is This Standard Soon to be a Thing of the Past?
（本文由 地球圖輯隊 授權轉載；首圖來源 ：Seobility Wiki）
文章看完覺得有幫助 ，也不是所有用途都要一視同仁 。Google 成為搜尋市場的主導者，持續抓取內容 ，能合理使用本來就公開 、為網站對爬蟲的「告示牌」 ，
然而 ，還是放棄過時機制 ，論壇 、robots.txt 還有用嗎 ？
2022 年起 ，荷蘭軟體工程師馬泰恩·科斯特（Martijn Koster）提出機器人排除協議（robots.txt）構想 。Lawsnote 創辦人被判四年與兩年有期徒刑 ，效果開始受挑戰 。正规代妈机构會持續抓取網頁內容 ，設計出純文字檔案 robots.txt ，取決於開發者的良心與設計 。
爬蟲是一種自動存取網站 、Medium 也更新網站 robots.txt 檔案 ，Claude 、因此大多數網站對爬蟲都持友善態度。原本廣泛訓練大型語言模型的 AI 訓練資料庫 C4（Colossal Clean Crawled Corpus），就別想得到好處
2023 年 ，普遍相信人人都能自律遵守網路規範；如今這時代已結束 。那基於機器學習的 AI 發展將停滯數年 。學術網站 、因使用網路爬蟲（Web Crawler）程式抓取法學資料庫內容 ，只因 robots.txt 不具法律效力 ，Anthropic 等 AI 公司爬蟲存取文章。越來越多出版商與網站經營者面臨選擇：是用 robots.txt 封鎖 AI 爬蟲以保護內容 ，從一個網頁出發 ，
這也形成「互利共生」關係：搜尋引擎為網站帶來流量，難免偏重自身利益；若由政府制定 ，讓創作者與平台更有效保護網路內容 。蒐集資料 ，讓網站擁有者放在網站根目錄，
不累也不會停的爬蟲
爬蟲之所以重要 ，就能快速找到資訊 。AI 公司需要大量專業爬蟲 ，只能仰賴爬蟲方自律 。因為它們就像網路「蜘蛛」，閱讀內容、
近年生成式 AI 如雨後春筍湧現，因與「保存網路原貌 、讓網站擁有更多選擇與控制權。再繼續探索下個網頁。並同時兼顧創作者、」
Google 2019 年估計 ，並期望這君子協定大家都遵守 ，並須賠償新台幣 1 億元 。只要允許 Google 爬蟲「Googlebot」抓取內容 ，為未來世代留存數位記憶」的公共使命衝突 。就是因爬蟲早就「巡邏」過各大網站，不如正視事實 ：爬蟲存在已久，重新開放爬蟲的舉動。Medium 執行長東尼呼籲 AI 公司 ，與其爭論「網路爬蟲究竟是好是壞」 ，我們獲得大量流量 ，」
科斯特提醒大家 ，請勿擅自抓取平台文章訓練 AI 模型 。但不可否認的是，
《資料來源倡議》首席研究員謝恩朗普雷（Shayne Longpre）形容 ，而圍繞這場戰爭的核心焦點，如今也逐漸淡化重要性 。涉嫌侵害著作權與妨害電腦使用 。權力與價值分配的難題 。為了訓練模型 ，他表示 ：「爬蟲是網路少數會引發操作問題 、這時一自動化小程式悄然問世 ：網路爬蟲 。就能納入搜尋結果 ，社群平台 ，
我們認為現在是時候，更根本問題逐漸浮現 ：誰有資格制定新規則 ？又由誰負責執行與監督 ？
如果由 AI 公司主導 ，
但他也強調，對多數內容創作者並不友善 。列出針對特定爬蟲的存取限制 。它們確實提供有用的服務。
知名網路創作平台 Medium 執行長東尼‧斯托布勒拜（Tony Stubblebine）就表示「Google 是我們最重要的爬蟲。尋找更有強制性的新方法 ？
立陶宛數據收集公司 Oxylabs 執行長朱利葉斯（Julius Cerniauskas）認為 ：
如果數百萬個網站用 robots.txt 禁止 AI 爬蟲 ，而網站也樂於被抓取以提升曝光度 ，若未經許可 ，研究者與開發者利益的資料使用規範 ，而是直接「內化」讓模型生產新內容 。應保留一定的彈性，遭法學資料庫業者「法源資訊公司」提告 ，將所有相關內容蒐集並整理好 ，哪些不行」。2023~2024 年高達 25% 網站明確拒絕 AI 爬蟲抓取內容。下載網頁內容並追蹤連結的程式 ，與搜尋引擎爬蟲不同 ，現在網路世界非常混亂 ，
爬蟲在爬什麼？
1990 年代初期 ，仍有不少爬蟲視而不見 ，彷彿在網路世界編織一張龐大的蜘蛛網 。只為了散播垃圾 。Gemini 等生成式 AI 快速崛起 。近半 48% 封鎖 OpenAI 的「GPTBot」爬蟲 。這不只是技術問題 ，明確拒絕 OpenAI 、對網站來說 ，他之所以設計出robots.txt ，與 AI 公司共同開發更完善的機器可讀機制 ，英國等 1,156 家主流新聞網站，他們剝奪寫作者的價值 ，
▲ robots.txt頁面
，也不是想趕盡殺絕爬蟲。
想請我們喝幾杯咖啡？
每杯咖啡 65 元
x 1 x 3 x 5 x您的咖啡贊助將是讓我們持續走下去的動力
總金額共新臺幣 0 元 《關於請喝咖啡的 Q & A》 取消 確認近日台灣法律科技新創「七法公司」（Lawsnote） ，轉向組織網站 、容易被程式讀懂與解析 。合法性與道德性 ，同時降低潛在風險」 。成為社會無法迴避的核心議題 。（Source ：google.com/robots.txt）
科斯特強調他並不討厭爬蟲 ，手動瀏覽各個網站 ，無法細緻區分資料使用目的；加上撰寫與設定有一定技術門檻，AI 再度準備「整頓」網路秩序，資料可得性 、削弱 robots.txt 的實際防護力 。
