摘要：站长之家(ChinaZ.com)3 月 26 日 消息:软件开发者 Xe Iaso 迎来了一重大难题 —— 来自亚马逊的大量AI爬虫流量使其 Git 存储库服务不堪重负，反复导致服务不稳定、停机等问题。尽管设置了标准的防御措施 —— 调整了 robots.tx
AI公司都在进行网络爬虫活动，但造成的影响程度各不相同。其中，OpenAI 的AI爬虫占四分之一，而亚马逊占 15%，Anthropic 占 4.3%。
站长之家(ChinaZ.com)3 月 26 日 消息:软件开发者 Xe Iaso 迎来了一重大难题 —— 来自亚马逊的大量AI爬虫流量使其 Git 存储库服务不堪重负，反复导致服务不稳定、停机等问题。尽管设置了标准的防御措施 —— 调整了 robots.txt 文件、屏蔽了已知的爬虫用户代理，并过滤了可疑流量 —— 但 Iaso 发现，AI爬虫完美绕过了这些阻力 —— 它们伪装用户代理，并使用住宅 IP 地址作为代理不断轮换。
Iaso 在一篇题为 “绝望的呼救” 的博客文章中写道：“屏蔽AI爬虫机器人是徒劳的，它们会作假、会更改用户代理、会使用住宅 IP 地址作为代理……我不想被迫关闭 Gitea 服务器 —— 但若有必要，我会这么做。”
Iaso 的经历凸显了一个正在开源社区迅速蔓延的广泛危机 —— 这些激进的AI爬虫使得越来越多的‘社区维护基础设施过载’情况出现，对一些至关重要的公共资源造成了等同于 DDoS 攻击的影响。根据 LibreNews 最近的一份报告显示：现在，一些开源项目高达 97% 的流量来自AI公司的机器人爬虫，这极大地加重了带宽成本、导致服务不稳定、并给本就任务繁重的维护人员带来了更大的负担。
Fedora Pagure 项目的系统管理员团队成员凯文・芬齐（Kevin Fenzi）在他的博客中报告称，在多次尝试减少AI爬虫流量无果后，该项目不得不屏蔽了所有来自巴西的流量。
这种情况并非完全最近才出现。去年 12 月，为 Diaspora 社交网络维护基础设施的丹尼斯・舒伯特（Dennis Schubert）在发现来自AI公司爬虫的请求占其总流量的 70% 后，愤怒地将这一情况称为 “简直是针对整个互联网的DDoS攻击”。
这种情况在技术和经济方面都带来了很高的成本。据 Read the Docs 项目报告称，屏蔽AI爬虫后，其流量立即减少了 75%，从每天 800GB 降至每天 200GB。他们在博客文章《人工智能爬虫需要更尊重他人》中写道：这一变化使得他们的项目每月节省了大约 1500 美元的带宽成本。
尤其是开源项目，面临着更加严峻的挑战，由于开源项目依赖于公众协作，且与商业实体相比，其运营资源通常有限。许多维护人员称，为了避免被“发现”，这些AI爬虫故意绕过标准的屏蔽措施，无视 robots.txt 指令，伪装用户代理，并轮换 IP 地址。
在 Hacker News 上，相关讨论也如火如荼地上演着，评论者们对‘AI公司针对开源基础设施的掠夺性行为’表达了深深的不满。
除了消耗带宽之外，这些爬虫还经常访问一些占用大量资源的端点，比如 git blame、日志页面等，这给本就有限的资源带来了额外的压力。SourceHut 创始人德鲁・德沃（Drew DeVault）在他的博客中表示，这些爬虫会访问 “每个 git 日志的每一页，以及存储库中的每一次提交记录”，这种“攻击”对代码存储库来说尤其沉重。
这个问题不仅仅局限于基础设施压力。正如 LibreNews 所指出的，一些开源项目早在 2023 年 12 月就开始陆续收到AI生成的错误报告，Curl 项目的丹尼尔・斯滕伯格（Daniel Stenberg）在 2024 年 1 月的一篇博客文章中首次对此进行了阐述。这些报告乍一看似乎是合理的，但其中包含了“AI编造的漏洞”，浪费了开发者宝贵的时间。
实际上，“不问自取”可谓是AI公司一贯作风。在 2022 年AI图像生成器、AI聊天机器人等产品迅速爆发并引起人们对这种行为的关注之前，机器学习领域基本上都是在“无视版权”的操作下编纂数据集的。
虽然AI公司都在进行网络爬虫活动，但造成的影响程度各不相同。根据丹尼斯・舒伯特发布的 Diaspora 社交网络流量日志分析结果显示，该平台的网络流量中约四分之一来自 OpenAI 用户代理的机器人，而亚马逊占 15%，Anthropic 占 4.3%。
这些爬虫可能是为了收集训练数据以构建或完善大型语言模型，而另一些则可能是在用户向人工智能助手询问信息时执行实时搜索。
这些爬虫的访问频率尤其能说明问题。舒伯特观察到，AI爬虫 “不只是爬取一个页面后就离开……它们每 6 个小时就会回来一次”。这也表明这些AI爬虫是在持续收集数据，而非进行一次性的训练活动 —— 这些AI公司在利用这种爬取行为来“更新”它们的模型知识。
为了应对这些“攻击”，出现了一些新的防御工具来保护网站免受不必要的AI爬虫侵扰。正如 Ars 在今年 1 月报道的那样，一位被称为 “Aaron” 的匿名程序员设计了一款名为 “Nepenthes” 的工具 —— 将爬虫困在无尽的虚假内容迷宫中。Aaron 明确将其描述为 “攻击性恶意软件”—— 目的是浪费AI公司的资源，并有可能会污染它们的训练数据。
Aaron 解释说：“每当这些爬虫从我的陷阱中获取数据时，它们就消耗了资源 —— 不得不为此付出真金白银，这有效地增加了它们的成本。鉴于它们目前都还没有盈利，这对它们来说是个大问题。”
周五，Cloudflare 宣布推出 “AI Labyrinth”，这是一种类似于“Nepenthes”、但在商业上更为完善的工具。与被设计成“复仇者”的Nepenthes 不同，Cloudflare 将他们的工具定位为一种合法的安全功能，以保护网站所有者免受未经授权的抓取行为。
Cloudflare 在其公告中解释说：“当我们检测到未经授权的爬取行为时，我们不会屏蔽请求，而是会链接到一系列由AI生成的页面，这些页面看似非常有说服力，足以吸引爬虫去浏览。” 该公司报告称，AI爬虫每天向其网络发送超过 500 亿次请求，占其处理的所有网络流量的近 1%。
就目前的情况来看，AI生成内容的迅速增长使网络空间不堪重负，再加上AI公司激进的网络爬虫行为，都让重要网络资源的可持续性遭受着重大威胁。
如果AI公司能直接与受影响的社区合作，“负责任”的数据收集并非难事。然而，AI行业的巨头们似乎并没有啥采取更具合作性措施的想法。若是没有有效的监管，AI公司与受害平台之间的“军备竞赛”很可能还会进一步升级。
来源：站长之家
