就在这两天，一家7人团队公司（）的网站突然宕机，CEO和员工们赶忙排查问题到底出在的哪里。

不查不知道，一查吓一跳。

罪魁祸首正是的。

从CEO的描述中来看，爬虫的“攻势”是有点疯狂在身上的：

我们有超过65000种产品，每种产品都有一个页面，然后每个页面还都有至少三张图片。

正在发送数以万计的服务器请求，试图下载所有内容，包括数十万张照片及其详细描述。

在分析了公司上周的日志之后，团队进一步发现，使用了不止600个IP地址抓取数据。

服务器日志：机器人未经许可疯狂爬虫

如此规模的爬虫，就导致这家公司网站的宕机，CEO甚至无奈地表示：

这基本上就是一场DDoS攻击。

更重要的一点是，由于疯狂地爬虫，还会引发了大量的CPU使用和数据下载活动，从而导致网站在云计算服务（AWS）方面的资源消耗剧增，开销就会大幅增长……

嗯，AI大公司疯狂爬虫，却由小公司来买单。

这家小型团队的遭遇，也是引发了不少网友们的讨论，有人认为的做法并不是抓取，更像是“偷窃”的委婉说法：

也有网友现身表示有类似的经历，自从阻止了大公司的批量AI爬虫，省了一大笔钱：

被爬虫到宕机，还不知道被爬走了什么

那么为什么要爬虫这家初创企业的数据？

简单来说，它家的数据确实属于高质量的那种。

据了解，的7名成员花费了十多年的时间，打造了号称最大“人类数字孪生”数据库

网站包含从实际人类模型扫描的3D图像文件，并且照片还带有详细的标签，涵盖种族、年龄、纹身与疤痕、各种体型等信息。

这对于需要数字化再现真实人类特征的3D艺术家、游戏制作者等，无疑具有重要价值。

虽然网站上有一个服务条款页面，里面明确写了禁止未经许可的AI抓取他们家的图片。

但从目前的结果上来看，这完全没有起到任何作用。

重点在于，没有正确配置一个文件——.txt。

.txt也称为机器人排除协议，是为了告诉搜索引擎网站在索引网络时不要爬取哪些内容而创建的。

也就是说，一个网站要是不想被爬虫，那就必须正确配置.txt文件，并带有特定标签，明确告诉不要访问该网站。

但除了之外，还有-User和OAI-，它俩也有各自对应的标签：

而且根据官方发布的爬虫信息来看，即便你立即正确设置了.txt文件，也不会立即生效。

因为识别更新这个文件可能需要24个小时……

CEO老哥对此表示：

如果一个网站没有正确配置.txt文件，那么和其它公司会认为他们可以随心所欲地抓取内容。

这不是一个可选的系统。

正因如此，也就有了在工作时间段网站被搞宕机，还搭上了高额的AWS费用。

截至美东时间的本周三，已经按照要求配置了正确的.txt文件。

以防万一，团队还设置了一个账户来阻止其它的AI爬虫，如和。

虽然到了周四开工的时候，没有再出现宕机的情况，但CEO老哥还有个悬而未决的困惑——

不知道都从网站中爬了些什么数据，也联系不上……

而且令CEO老哥更加深表担忧的一点是：

如果不是“贪婪”到让我们的网站宕机，我们可能不知道它一直在爬取我们的数据。

这个过程是有bug的，即便你们AI大公司说了可以配置.txt来防止爬虫，但你们把责任推到了我们身上。

最后，CEO老哥也呼吁众多在线企业，要想防止大公司未经允许爬虫，一定要主动、积极地去查找问题。

并不是第一例

但并不是第一个因为疯狂爬虫导致宕机的公司。

在此之前，还有Game UI 这家公司。

它收录了超56000张游戏用户界面截图的在线数据库，用于供游戏设计师参考。

有一天，团队发现网站加载速度变慢，页面加载时间延长三倍，用户频繁遭遇502错误，首页每秒被重新加载200次。

他们一开始也以为是遭到了DDoS攻击，结果一查日志……是，每秒查询2次，导致网站几乎瘫痪。

但你以为如此疯狂爬虫的只有吗？

非也，非也。

例如此前也被曝出来过类似的事情。

数字产品工作室的创始人 Gross曾表示过DDOS，他们给客户重新设计的网站上线后，流量激增，导致客户云成本翻倍。

经审计发现，大量流量来自抓取机器人，主要是导致的无意义流量，大量请求都返回404错误。

针对这一现象，来自数字广告公司的一份新研究显示，AI爬虫在2024 年导致“一般无效流量”（不是来自真实用户的流量）增加了86%。

那么AI公司，尤其是大模型公司，为什么要如此疯狂地“吸食”网络上的数据？

一言蔽之，就是他们太缺用来训练的高质量数据了。

有研究估计过，到2032年全球可用的AI训练数据可能就会耗尽，这就让AI公司加快了数据收集的速度。

也正因如此，谷歌等AI公司为了获取更多“独家”视频用于AI训练，现在也正纷纷向UP主们重金求购那些“从未公开”的视频。

而且连价格都标好了，如果是为、和准备的未发布视频， 每分钟出价为1~2美元（总体一般是1~4美元），且根据视频质量和格式的不同，价格还能再涨涨。

那么你对这一现象有什么看法呢？欢迎在评论区留言讨论~

参考链接：