近日台灣法律科技新創「七法公司」（Lawsnote），因使用網路爬蟲（Web Crawler）程式抓取法學資料庫內容，遭法學資料庫業者「法源資訊公司」提告，指控 Lawsnote 非法擷取資料用於商業營利，涉嫌侵害著作權與妨害電腦使用。
6 月 24 日，Lawsnote 創辦人被判四年與兩年有期徒刑，並須賠償新台幣 1 億元。這項判決結果，也讓人們再度掀起討論：網路爬蟲是否構成侵權？這至今依舊沒有標準答案的問題。
近年生成式 AI 如雨後春筍湧現，資料可得性、合法性與道德性，成為社會無法迴避的核心議題。這也正是全球爭論焦點之一：網站內容究竟能否機器抓取？又該由誰決定？
全球已有無數網站開始封鎖 AI 爬蟲，而圍繞這場戰爭的核心焦點，是一份看似不起眼的文字檔案：robots.txt。
爬蟲在爬什麼？
1990 年代初期，網路不像現在這麼豐富，不只網站稀少、資源分散，使用者也需要記住網址、手動瀏覽各個網站，搜尋資訊困難又緩慢。這時一自動化小程式悄然問世：網路爬蟲。
爬蟲是一種自動存取網站、下載網頁內容並追蹤連結的程式，又稱為「spiders」。因為它們就像網路「蜘蛛」，從一個網頁出發，找出所有超連結，接著逐一拜訪這些頁面，不斷擴展搜尋範圍，彷彿在網路世界編織一張龐大的蜘蛛網。
這就是「爬蟲」的工作：自動打開網頁、閱讀內容、蒐集資料，再繼續探索下個網頁。一隻高效的爬蟲，幾天內可存取數百萬個網頁，蒐集資訊供日後使用。
不累也不會停的爬蟲
爬蟲之所以重要，是因它們幫助使用者省下大量搜尋資料的時間。人們每天在用的 Google 搜尋引擎之所以這麼快找到答案，就是因爬蟲早就「巡邏」過各大網站，將所有相關內容蒐集並整理好，讓使用者只需輸入關鍵字，就能快速找到資訊。
這也形成「互利共生」關係：搜尋引擎為網站帶來流量，而網站也樂於被抓取以提升曝光度，因此大多數網站對爬蟲都持友善態度。
然而，這技術也造成困擾。爬蟲不會停也不會累，會持續抓取網頁內容，可能導致網站負載過重，甚至使系統癱瘓。正因如此，網路第一個針對爬蟲的防護協議應運而生：機器人排除協議（Robots Exclusion Protocol，REP）。
機器人排除協議：維持網路秩序的君子協定
1994 年，荷蘭軟體工程師馬泰恩·科斯特（Martijn Koster）提出機器人排除協議（robots.txt）構想。他希望建立簡單高效機制，設計出純文字檔案 robots.txt，讓網站擁有者放在網站根目錄，為網站對爬蟲的「告示牌」，明確指示爬蟲「哪些區域可以存取，哪些不行」。
這套規範有三個關鍵特性：
- 自願遵守：robots.txt 並沒有法律效力，爬蟲是否遵守，取決於開發者的良心與設計。
- 機器可讀：格式簡單明確，容易被程式讀懂與解析。
- 公開透明：任何人都可查看所有網站的 robots.txt。
▲ robots.txt頁面，列出針對特定爬蟲的存取限制。（Source：google.com/robots.txt）
科斯特強調他並不討厭爬蟲，也不是想趕盡殺絕爬蟲。他表示：「爬蟲是網路少數會引發操作問題、使人困擾的事物之一，但不可否認的是，它們確實提供有用的服務。」
科斯特提醒大家，與其爭論「網路爬蟲究竟是好是壞」，不如正視事實：爬蟲存在已久，且不會消失。他之所以設計出robots.txt，就是希望能「盡可能發揮其正面效益，同時降低潛在風險」。
爬蟲，也是益蟲
2000 年代初期，Google 成為搜尋市場的主導者，爬蟲成為網站曝光與流量的保證。對網站來說，只要允許 Google 爬蟲「Googlebot」抓取內容，就能納入搜尋結果，有機會獲得更多訪問者。故對多數網站而言，robots.txt 成了表達「我願意被搜尋引擎看見」的方式。
知名網路創作平台 Medium 執行長東尼‧斯托布勒拜（Tony Stubblebine）就表示「Google 是我們最重要的爬蟲。我們讓它抓取所有頁面，我們獲得大量流量，這是雙贏交易。」
Google 2019 年估計，超過 5 億網站使用 robots.txt 管控存取權限。但如今，AI 出現破壞了平衡。
生成式 AI 出現，robots.txt 還有用嗎？
2022 年起，ChatGPT、Claude、Gemini 等生成式 AI 快速崛起。為了訓練模型，AI 公司需要大量專業爬蟲，但就引發新問題：AI 爬蟲抓取整個網路，但從未徵詢資料創作者意見，更沒有獲得任何補償。
《The Verge》報導，與搜尋引擎爬蟲不同，AI 公司抓資料後不會導流回網站，而是直接「內化」讓模型生產新內容。這種「只拿不給」行為，許多內容創作者都視為掠奪。原本網路世界與 robots.txt 之間的默契「彼此尊重的基本協議」很可能無法再維持。
《資料來源倡議》（Data Provenance Initiative）報告指出，原本廣泛訓練大型語言模型的 AI 訓練資料庫 C4（Colossal Clean Crawled Corpus），2023~2024 年高達 25% 網站明確拒絕 AI 爬蟲抓取內容。
這代表對願意遵守 robots.txt 的模型來說，訓練資料來源快速從高品質新聞、學術網站、論壇、社群平台，轉向組織網站、個人網站、電商網站與部落格等較不具公信力的來源。
沒有等價交換，就別想得到好處
2023 年，Medium 執行長東尼呼籲 AI 公司，若未經許可，請勿擅自抓取平台文章訓練 AI 模型。Medium 也更新網站 robots.txt 檔案，明確拒絕 OpenAI、Anthropic 等 AI 公司爬蟲存取文章。東尼說：
這些 AI 公司並沒有想與我們等價交換。他們剝奪寫作者的價值，只為了散播垃圾。
《資料來源倡議》首席研究員謝恩朗普雷（Shayne Longpre）形容，現在網路世界非常混亂，對任何人都是危機：
現有網路基礎設施，已無法解決生成式 AI 與內容創作者日益加劇的利益衝突。
明文禁止卻不具法律效力
《路透社》調查，截至 2023 年底，美國、德國、英國等 1,156 家主流新聞網站，近半 48% 封鎖 OpenAI 的「GPTBot」爬蟲。此外更沒有網站決定封鎖後又反悔、重新開放爬蟲的舉動。
然而，robots.txt 為爬蟲防線，效果開始受挑戰。robots.txt 語法設計粗略，無法細緻區分資料使用目的；加上撰寫與設定有一定技術門檻，對多數內容創作者並不友善。更棘手的是，許多「偽裝爬蟲」不會顯示真實身分，讓網站很難辨識阻擋，削弱 robots.txt 的實際防護力。
即使網站 robots.txt 明確有禁止條款，仍有不少爬蟲視而不見，持續抓取內容，只因 robots.txt 不具法律效力，也無技術強制性，只能仰賴爬蟲方自律。
其實早在 2017 年，全球最大網路保存計畫「Internet Archive」負責人 Mark Graham 就直言，他們不一定遵守 robots.txt 規範，因與「保存網路原貌、為未來世代留存數位記憶」的公共使命衝突。
封鎖 AI 還是丟掉 robots.txt？這是值得考慮的問題
美國媒體《The Verge》報導，面對生成式 AI 衝擊，越來越多出版商與網站經營者面臨選擇：是用 robots.txt 封鎖 AI 爬蟲以保護內容，還是放棄過時機制，尋找更有強制性的新方法？
立陶宛數據收集公司 Oxylabs 執行長朱利葉斯（Julius Cerniauskas）認為：
如果數百萬個網站用 robots.txt 禁止 AI 爬蟲，並期望這君子協定大家都遵守，那基於機器學習的 AI 發展將停滯數年。
過去，Google 嘗試將 robots.txt 制定為正式標準，如今也逐漸淡化重要性。2023 年 Google 信任與安全副總裁丹妮爾羅曼（Danielle Romain）改口，AI 出現後 robots.txt 可能已成不合時宜的產物，
我們認為現在是時候，與 AI 公司共同開發更完善的機器可讀機制，讓網站擁有更多選擇與控制權。
誰來制定新規則、執行與監督？
30 年前，科斯特的網路環境，普遍相信人人都能自律遵守網路規範；如今這時代已結束。AI 再度準備「整頓」網路秩序，更根本問題逐漸浮現：誰有資格制定新規則？又由誰負責執行與監督？
如果由 AI 公司主導，難免偏重自身利益；若由政府制定，又可能無法即時因應技術變化。《資料來源倡議》研究員謝恩朗普雷指出，未來勢必出現大家能廣泛採納的新標準，讓創作者與平台更有效保護網路內容。
但他也強調，學術研究與公益性質應用，應保留一定的彈性，能合理使用本來就公開、可自由存取的網站。謝恩朗普雷說：
不是所有資料都一樣重要，也不是所有用途都要一視同仁。
因此，如何建立一套既能給機器讀取、又能尊重資料擁有權，並同時兼顧創作者、研究者與開發者利益的資料使用規範，是將來網路管理最關鍵也最棘手的課題之一。這不只是技術問題，更是信任、權力與價值分配的難題。
- AI Has Created a Battle Over Web Crawling Training data may wind up in short supply as websites restrict crawler botsEliza Strickland31 Aug 20247 min read
- 3 New Rules to Block AI Bots from Invading Your Websites
- The Liabilities of Robots.Txt
- Comment | Is It Time to Retire Robots.txt?
- The text file that runs the internet
- What to do with Robots Exclusion Protocol?
- Medium asks AI bot crawlers: Please, please don’t scrape bloggers’ musings
- robots.txt: Is This Standard Soon to be a Thing of the Past?
（本文由 地球圖輯隊 授權轉載；首圖來源：Seobility Wiki）
科技新報粉絲團
加入好友
訂閱免費電子報
