今年，GPT、AI绘画等人工智能大模型工具火热，许多人也想来追一波AI创业热潮，相关创业项目层出不穷。优质数据对AI大模型训练至关重要，只有拥有足够多的数据，才能训练出智能、强大的AI工具。我国互联网蓬勃发展二十余年，还能缺少数据？这不，曼昆律师最近接到网友咨询，准备用爬虫爬取知乎数据，做一个知乎GPT机器人岂不美哉？且慢，这其中的法律风险不可忽视。
01 爬虫是把双刃剑
爬虫技术是一种通过编程自动从互联网上获取数据的技术。它的名字形象、生动地表明了它的工作原理：模拟人类在网页浏览器中浏览网页的过程，进行数据采集和数据抓取。
网络爬虫广泛应用于搜索引擎、数据采集、广告过滤、大数据分析等领域。作为一种功能强大的信息采集程序，它能够显著提高工作效率，尤其是对海量数据的收集和整理。
DigiDaigaku系列NFT近24小时交易额涨幅达370.49%:金色财经报道，据NFTGo最新数据显示，DigiDaigaku系列NFT过去24小时的交易额为153,486美元，增长率为370.49%。截至发稿时，NFTGo数据显示，DigiDaigaku地板价为6.67ETH，24小时跌幅为21.11%。[2022/9/8 13:17:02]
然而，一旦技术被不正当使用，也会引发“虫灾”，导致网络拥堵、崩溃、服务器瘫痪甚至引发数据安全风险。我们熟悉的“裁判文书网”也不能幸免：
图：2019年，最高人民法院发布的《关于“中国裁判文书网”网站建设建议的答复》
声音 | Ira Kleiman方律师：Craig Wright仅提供了1.6万多个BTC地址清单，但无中间人信息:在由Coindesk上传的一份新文件中，Ira Kleiman的律师称，Craig Wright只提供了16,404个比特币地址清单，但没有关于“保税快递”中间人的信息。原告要求Craig Wright在10天之内回应7条关于中间人的质询，之后原告将利用这些答复来获取有关“保税快递”中间人的信息。在此期间，原告正在请专家审查和分析这份清单。据此前CoinDesk报道，根据1月14日向美国佛罗里达州南部地区法院提交的一份法庭文件，第三方“提供了解锁加密文件所需的信息和密钥片段”，似乎是指此前提及的备受期待的“保税快递员”中间人，表示CSW拥有解锁96亿美元比特币所需的私钥。Bloom法官对保税快递公司的存在和比特币争议的数量表示怀疑。CSW此前因未能出示其所持比特币的完整清单而被判藐视法庭。[2020/1/15]
02 使用爬虫技术的风险
动态 | 渣打银行通过其Straight2Bank平台为客户推出移动代币:据Financefeeds消息，渣打银行11月20日宣布 ，将使用其Straight2Bank平台在超过38个市场中为企业客户引入移动代币，以进行现金管理和贸易交易。移动令牌的设置消除了客户携带物理令牌的需要，并允许客户端从移动电话中保护其双因素身份验证(2FA)。该银行将在未来三个月内推出这项新功能，超过10万名客户将受益于这项新功能。[2019/11/20]
爬虫作为一项获取数据的技术手段，并未被法律禁止。但使用方式及使用目的决定了是否会产生违法的行为和后果。
使用爬虫技术， 能在短时间内对网站进行大量访问，频繁抓取页面和数据。这可能会导致网站的带宽和服务器负载急剧增加，从而影响网站的正常运行，甚至导致宕机或响应缓慢，干扰被访问网站的正常运营，严重时可构成犯罪。
动态 | Craig Wright威胁扼杀比特币ABC:据Coindesk报道，Craig Wright表示，通过部署hashpower，比特币SV矿工可以有效地挖掘竞争比特币现金区块链上的空块，阻止交易通过，使得矿工可以用自己的力量“杀掉”运行比特币ABC的区块链。开发人员Peter R. Rizun认为，这些威胁可能是“虚张声势”，意在吓唬比特币ABC的支持者。[2018/11/9]
杨某授权公司员工张某开发某信贷系统软件，该软件内的“网络爬虫"功能能与深圳市居住证网站链接。2018年5月，该软件连续两小时对深圳市居住证系统查询大量访问，致使深圳市居住证系统无法正常运作，极大地影响了该居住证系统使用方深圳市局人口管理处的日常运作。二人均构成破坏计算机信息系统罪。【(2019)粤0305刑初193号】
Craig Wright已收到因盗取已故IT专家Dave Kleiman价值百亿美元比特币的传票:据ccn报道，自称比特币创始人的Craig Wright已收到官方传票，因其盗窃早期比特币采纳者Dave Kleiman的100亿美元比特币。目前居住海外的Wright必须在4月16日之前回复传票;。其原本需要在更早作出回应，法院曾授予他延期。法院文件还显示，律师Andres Rivero曾前几次听证会中代表他，但他本人和律师都没有公开处理这件诉讼。昨日在东京举行的论坛上，以太坊创始人V神称其为子。[2018/4/5]
与使用方式相比，如何使用爬取的信息和数据，对爬虫行为的定性影响更大。
非法使用爬取的数据和信息主要有：
（1）盗取个人信息：使用爬虫技术恶意抓取网站上的个人信息，可能涉及侵犯他人隐私、个人信息，严重可构成侵犯公民个人信息罪。
（2）商业竞争中的不正当行为：使用爬虫技术获取竞争对手的商业秘密、定价信息、用户数据等，对数据整合后“搬家”到其他平台，通过这种便捷的方式获取大量有价值的数据、信息，以谋取不正当竞争优势。
在“酷米客诉车来不正当竞争纠纷案”中，法院认为，未经权利人许可，利用网络爬虫技术进入权利人的服务器后台的方式非法获取并无偿使用权利人的实时公交信息数据的行为，实为一种“不劳而获”、“食人而肥”的行为，且具有非法占用他人无形财产权益，破坏他人市场竞争优势，构成不正当竞争。
（3）侵犯知识产权：爬取受版权保护的内容，然后用于未经授权的公开传播或商业用途，属于侵犯知识产权的行为。
03 爬虫数据“投喂”大模型的风险
通过前面的分析可知，使用爬虫技术的风险主要在于爬取的方式以及爬取的内容，那是不是控制爬取的频率和内容，爬取公开内容，用来训练机器人就没有什么风险了呢？
首先，知乎官方账号早在2018年就发布了《关于知乎用户权益保护升级的公告》，提到：知乎对第三方开放知乎内容的使用采取白名单制，第三方需要通过官方合作渠道进行申请。如果爬取行为违反了知乎的服务条款，知乎可能采取封禁账号、IP地址或者其他法律行动。
摘自《知乎机构号使用规范》（试行）
其次，知乎上的内容通常由用户原创或授权发布，著作权归用户本人所有。未经授权地爬取和使用这些内容，可能涉及侵犯知乎的版权和著作权。
其实，训练AI大模型，“数据盗窃”并非个案。上个月，笔神作文公开指控昔日合作伙伴学而思，认为学而思通过爬虫方式“偷数据”训练自家AI产品。笔神作文表示，将通过司法程序解决纠纷，要求“学而思”支付1元赔偿金，公开道歉，并删除已爬取的数据。
04 小结
在人工智能创业的热潮中，数据变得越来越重要。在面对爬虫技术带来的诱惑时，应当认识到，虽然爬虫技术本身并未被禁止，但其不当使用可能导致法律问题，尤其是在涉及个人信息、隐私、版权和不正当竞争等方面。
《生成式人工智能服务管理暂行办法》中明确提到，训练数据处理活动时，应当使用具有合法来源的数据和基础模型。各位老板在创业过程中，要确保数据采集的合法性和道德性。如果想要使用爬取的数据训练AI大模型，务必事先获得数据来源方的授权，并遵守相关平台的规定。
刘红林律师
个人专栏
阅读更多
Foresight News
金色财经 Jason.
白话区块链
金色早8点
LD Capital
-R3PO
MarsBit
深潮TechFlow
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。