想象一下，被大P榜你是模型一个默默耕耘的开源社区管理员，服务器日复一日地为开发者提供支持，大模单出突然有一天，击力流量日志里冒出一堆不速之客——不是指数黑客，不是被大P榜爬虫爱好者，而是模型AI大模型的训练机器人。这些家伙像饿狼一样扑向你的大模单出数据，把带宽吃得干干净净，击力甚至连页面加载都卡到怀疑人生。指数很遗憾，被大P榜这不是模型阴谋论科幻片，而是大模单出广大中小互联网企业/服务正面临的现实威胁。
DDoS新势力：AI爬虫就在本周一，击力SourceHut——一家开源Git托管服务平台，指数在其状态页面上无奈喊话：“我们持续遭受激进的LLM（大语言模型）爬虫干扰，服务屡屡受阻。”为了自救，他们祭出了名为“Nepenthes”的捕虫器，试图困住这些为AI训练而生的爬虫，同时还直接封禁了Google Cloud和Microsoft Azure等云服务商的云服务器提供商IP——因为这些地方正是爬虫流量的重灾区。 SourceHut坦言，虽然这些措施暂时控制住了局面，但也可能误伤正常用户，体验降级在所难免。 这不是SourceHut第一次被“爬虫DDoS”搞得焦头烂额。早在2022年，他们就曾公开diss谷歌的Go Module Mirror，指责其无节制的流量请求形同“拒绝服务攻击”。而如今，随着生成式AI热潮席卷全球，类似的故事在互联网的各个角落反复上演。 维修网站iFixit去年7月就曾抱怨Anthropic的Claudebot过度爬取；云托管服务Vercel则在2024年12月披露，单月内OpenAI的GPTbot发起了5.69亿次请求，Anthropic的Claudebot也有3.7亿次，合计占谷歌Googlebot请求量的20%。Diaspora开发者Dennis Schubert甚至爆料，他服务器60天内70%的流量都来自LLM训练机器人。 这些AI爬虫为何如此猖狂？答案很简单：数据饥渴。生成式AI的崛起让OpenAI、源码下载Anthropic、Google等玩家对互联网内容的渴求达到了前所未有的高度。无论是ChatGPT的对话能力，还是Claude的推理水平，背后都需要海量数据喂养。然而，这种“拿来主义”正在给中小型互联网服务带来沉重负担，甚至演变成一场无形的DDoS危机。 大模型“DDoS攻击力指数”TOP10榜单为了更直观地呈现这些AI爬虫的“破坏力”，GoUpSec基于近期互联网相关报道与公开数据，整理了一份“大模型DDoS攻击力指数TOP10榜单”。指数综合了爬虫的请求量、覆盖网站范围、被封禁频率以及对服务影响的严重程度等维度。以下是榜单及简评： 1.Bytespider（字节跳动）指数：95 点评：字节跳动的爬虫王者，据Cloudflare统计，其请求量和覆盖范围均居首位，为自家AI产品豆包囤粮。被封禁率也高，其激进作风无人能敌。 2.GPTbot（OpenAI）指数：90 点评：OpenAI的免费信息发布网明星爬虫，单月5.69亿次请求让人咋舌。虽然承诺尊重robots.txt，但伪装流量和过载投诉仍让它稳坐榜眼。 3.Claudebot（Anthropic）指数：85 点评：Anthropic的训练先锋，3.7亿次月请求+iFixit百万次单日轰炸，堪称“温柔杀手”。被封禁率稍低，但破坏力不容小觑。 4.Amazonbot（亚马逊）指数：80 点评：为Alexa索引内容而生，流量虽不及前三，但开发者频频抱怨其过载行为，伪装流量也让人生疑。 5.Google-Extended（谷歌）指数：75 点评：谷歌专为AI训练设计的爬虫，13.6%的顶级网站封禁率显示其影响力。双重身份（搜索+AI）让网站主投鼠忌器。 6.AppleBot（苹果）指数：70 点评：苹果为AI功能收集数据的代表，透明度较高，但DoubleVerify数据显示其贡献了2024年16%的无效流量。 7.Meta AI Bot（Meta）指数：65 点评：Meta的AI野心驱使其爬虫活跃，虽然自称目的明确，但多用途属性让封禁变得复杂。 8.CCBot（Common Crawl） 指数：60 点评：开源数据集的常客，22.1%的顶级网站封禁率说明其影响广泛，但攻击性稍逊商业爬虫。 9.OAI-SearchBot（OpenAI）指数：55 点评：OpenAI的新兵，甫一亮相就被14家主流媒体封杀，潜力未完全释放。 10.Perplexity AI Bot（Perplexity）指数：50 点评：AI搜索新贵，伪装成普通浏览器偷偷摸摸爬数据，惹恼了不少网站主。 面对“白嫖”：躺平还是对抗？疯狂的AI爬虫其实也有自己的行规，2023年8月，OpenAI率先承诺GPTbot会遵守robots.txt标准，其他厂商纷纷跟进。然而现实却是，承诺归承诺，执行靠自觉。Diaspora的Schubert就发现，他的服务器日志里满是伪装成GPTbot的“山寨爬虫”，IP来自AWS甚至美国居民网络，显然是恶作剧者趁乱起哄。DoubleVerify的报告更指出，2024下半年因AI爬虫导致的“一般无效流量”（GIVT）激增86%，其中16%直接来自GPTbot、Claudebot等知名玩家。 这背后，是AI公司与网站主之间的博弈。一方面，AI厂商需要数据喂养模型，互联网是天然的“粮仓”；另一方面，网站主却面临带宽挤占、隐私争议甚至版权纠纷的困境。SourceHut封禁云服务商、iFixit更新robots.txt，都是被动防御的缩影。更棘手的是，像Googlebot这样身兼搜索与AI双重任务的爬虫，让网站主在封禁与曝光之间左右为难（编者：谷歌2023年发布robots.txt的Google-Extended产品令牌，经允许网站运营者单独封锁爬虫而不影响网页检索和排名）。 AI爬虫的“DDoS效应”暴露了生成式AI热潮下的隐忧。对于中小型服务商来说，这不仅是技术挑战，更是生存问题。SourceHut的“Nepenthes”捕虫器、Cloudflare的“一键屏蔽AI爬虫”功能，都是技术社区的反击尝试。但长远看，光靠封禁和对抗显然不是解药。 或许，未来的出路在于平衡——AI公司需要更透明的数据采集政策，甚至通过授权或付费模式与网站主合作；而网站主则需在保护自身权益与拥抱AI生态之间找到折中点。否则，这场爬虫与服务的“猫鼠游戏”，只会让互联网的生态雪上加霜。 你被大模型DDoS了吗？也许下一个喊救命的，就是你常上的那个小众论坛。 |
