现在对于网站站长特别是大站来说，是否需要禁止 ChatGPT、Google Bard 等 AI 蜘蛛抓取内容用于训练 AI 处于两难，一是这是一个趋势，生成式 AI 和搜索引擎的融合是必然，而且速度越来越快；二是自己辛辛苦苦写的内容得不到可预期的利益的时候，凭什么被 AI 抓取训练，网站可以获得什么？毕竟 AI 抓取跟搜索引擎抓取内容是不一样的，搜索引擎抓取内容后带给网站流量，而我们网站的内容被 AI 机器人抓取后，网站能得到什么是未知的。
Bing 和 Google 现在都在尝试把生成式 AI 跟搜索引擎融合，也就是 Bing Chat 和 Google的 SGE（Search Generative Experience），在搜索界面体现并给出出处链接，网站可以得到一部分流量，都是位于左下角等不是很突出的位置。不过目前还没有大规模商用，对于网站流量的效果还不明显。
现阶段生成式 AI 跟搜索引擎融合，个人使用感受。
目前在使用中个人分享下三个感受：
一、经过我自己使用 Bing Chat 体验中，我自己是不会点击 AI 回答里的出处链接，AI 可以给出相对完整的结果，而且出处网站链接位置不明显，所以被点击的概率是非常低的。
二、传统的搜索引擎，特别是 Google 和 Bing 不同的网站相对平等，获得流量的机会都相对多；那么 AI 生成的结果，需要特别注意的是喂给生成式 AI 就面临用于训练的资源是不是单一的，或者是不是目前非常强势的网站，比如 CSDN 这类，那其他网站的机会在哪里？是不是会有另外一种 AI 优化的出现？
三、目前生成式 AI 理直气壮、一本正经地胡说，给出错误答案的问题非常突出，对于访客而言，提供一个本身就是错误的答案，不提供其他可供选择的答案，并且正因为用于训练 AI 的数据的封闭性，无法断定给出的结果是否正确？是否有目的的被导向？对于访客是否公平？
怎样禁止 AI 抓取网站内容？
最简单的办法就是 robots.txt 文件禁止，不过 robots.txt 防君子不防小人。
OpenAI 发布 ChatGPT 抓取蜘蛛的新名字- GPTBot，网站可以像禁止其他蜘蛛一样，用 robots 文件禁止 GPTBot 抓取，不过需要注意的是 ChatGPT 的训练数据来源可不一定限于 GPTBot 抓取的数据，除了网上的公开信息，他们还可能使用来自第三方的授权信息，第三方包括社交媒体等，除非立法禁止此类授权被滥用。目前已经有不少大站彻底禁止 GPTBot 抓取。
User-agent: GPTBot Disallow: /
Google 用于AI训练的专用蜘蛛名字： Google-Extended；用 robots 文件禁止了 Google-Extended 蜘蛛，就禁止了 Bard 和 Vertex AI 以及今后所有用于这些产品的模块。所以禁了 Google-Extended 就应该彻底不会被用于 Google AI训练。
User-agent: Google-Extended Disallow: /
CCBot 是非赢利组织 Common Crawl 的蜘蛛，是一个大型网站数据库，很多 AI 是用 CC 数据库来训练的，极有可能是 OpenAI 的第三方数据提供商。
User-agent: CCBot Disallow: /
今天看 originality.ai 网站的统计，前1000名大网站，已经有 328 个网站禁止了 GPTBot。大家可以看下下面的数据。
参考文章：
转载请注明：VPS站长网 » 如何禁止网站内容被抓取用于 AI 训练？有必要禁止吗？
