AI 爬虫横行？Cloudflare 推出 AI Audit 工具，为网站主提供新武器
随着大型语言模型等现代生成式 AI 模型的兴起，它们对海量数据的需求也与日俱增。这些数据大多来自网络，由 AI 爬虫自动抓取。作为全球最大的内容分发网络 (CDN) 之一，Cloudflare 推出了 AI Audit 工具，旨在对抗这些肆虐的 AI 爬虫。
AI Audit 于 9 月 23 日进入公测阶段，现已向 Cloudflare 用户开放。该工具为网站主提供了前所未有的洞察力，让他们可以了解哪些 AI 模型提供商正在访问他们的内容，并决定是否允许或阻止它们。未来，Cloudflare 计划帮助内容所有者设定一个公平的价格，让 AI 爬虫在抓取网站内容时付费。
“Cloudflare 的目标是帮助构建一个更好的互联网，一个充满优质内容和活跃社区的互联网，”Cloudflare 新兴技术副总裁 Sam Rhea 表示。“但我们也担心，某些 AI 应用可能会对互联网构成威胁。”
抵御不受欢迎的 AI 爬虫
许多网站试图通过 robots.txt 文件来管理不受欢迎的爬虫，该文件指示爬虫在抓取网站时应如何行为。但这种方法并非万无一失，因为爬虫可以轻松地忽略这些指令。
Cloudflare 的 AI Audit 不依赖于 robots.txt，而是利用公司的 Web 应用防火墙，该服务可以自动识别网络流量的来源。虽然 Web 应用防火墙最广为人知的是抵御分布式拒绝服务 (DDoS) 攻击，但它也可以识别 OpenAI 等主要 AI 公司使用的爬虫。
为 AI 爬虫提供网页服务通常不会对资金雄厚的网站造成太大影响。SourceForge 和 SlashDot 的总裁 Logan Abbott 表示，这两个网站“每月都会收到数千万次 AI 爬虫访问”，但他们拥有处理这些负载的基础设施。
然而，对于小型公司和个人拥有的网站来说，爬虫可能是一个问题。BingeClock 是一款帮助电视迷追踪他们观看的节目（以及观看时长）的网站，它被迫增加了服务器资源来处理爬虫带来的负载。
Cloudflare 的 AI Audit 提供数据分析功能，用于追踪和阻止 AI 爬虫。
Cloudflare
“整个夏天，我都在为我的 API 添加额外的 [Amazon Web Services] 实例，因为我发现网站对实际用户变得不可用，”独立开发者和作家 Billy Gardner McIntyre 说，他独自运营着 BingeClock。大型网站可能会使用动态负载均衡来解决这个问题，该技术可以根据需要自动启动新的实例。但这种方法会导致服务成本出现不可预测的峰值，这对运营小型网站和企业的个人来说风险很大。
Cloudflare 的 AI Audit 为 McIntyre 带来了解脱，他在 BingeClock 的工程博客上写下了他的经历。他注意到不受欢迎的 AI 流量大幅减少。“如果我查看 Cloudflare 上的 AI Audit 仪表板，自该工具推出以来，就没有看到任何 AI 流量，”McIntyre 说。
Abbott 也对 AI Audit 持积极态度。“很高兴能对所有这些情况有一个清晰的了解，”他说。
在 AI Audit 发布之前，BingeClock 需要多达 6 个 AWS 实例来处理流量。现在已经减少到 5 个，如果爬虫流量持续减少，McIntyre 相信他可以将数量减少到 2 个。
Cloudflare 会让 AI 爬虫付费吗？
阻止爬虫是 AI Audit 最直接的影响，但 Cloudflare 想要更进一步：该公司希望 AI Audit 可以帮助网站主在他们的内容被抓取时获得补偿。
包括 News Corp、Vox 和 Conde Nast 在内的多家出版商已经与 OpenAI 达成协议，允许这家 AI 公司访问他们的内容。Rhea 表示，AI Audit 可以帮助促进和监管此类协议。“Cloudflare 希望为出版商提供透明度、可审计性和控制权，”Rhea 说。
与此同时，对于小型网站，Cloudflare 希望引入一个无缝的价格设定和交易流程。理论上，这将允许小型网站所有者与想要抓取其内容进行 AI 训练的公司达成协议。然而，目前还没有关于此货币化工具的发布日期。
McIntyre 虽然对 AI Audit 阻止爬虫的能力感到高兴，但他对 AI Audit 将为小型网站带来的货币价值持怀疑态度。“无论支付计划是什么，我猜想不会有很多钱。我不明白他们如何将其货币化。我很乐意被证明是错的，”McIntyre 说。
像 AI Audit 这样的工具也可能引发人们对开放互联网被侵蚀的担忧。Cloudflare 在展示 AI Audit 的博客文章中列出了 Common Crawl 和 The Internet Archive 使用的爬虫，这两个都是非营利组织。设计一个向 AI 爬虫收费的工具可能会导致网站主质疑谁还能付费。
Rhea 表示，Cloudflare 无意将 AI Audit 作为一种通用工具来更广泛地控制或阻止流量。“这是一个有趣的问题，但我们根本没有考虑过……我们非常专注于扫描和抓取来自爬虫的流量。”
