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。
红杉中国种子基金完成4.8亿美元新基金募资 开始布局AIGC领域的早期企业:金色财经报道，红杉中国种子基金宣布，旗下第三期种子基金已于去年完成 4.8 亿美元募资。目前，红杉种子管理规模近 150 亿人民币，是国内管理规模最大的早期基金之一，也是自 2018 年单列以来，红杉中国五年中完成的第三支美元基金募集。
据介绍，红杉种子主要面向种子轮到 A 轮的初创企业，过去几年，红杉种子重点布局了新能源与“双碳”、EV 产业链、创新医疗技术、合成生物、金融科技、基础软件、机器人、设计和内容平台、效率工具和新消费等具有科技驱动、结构性创新和高成长属性的领域，当下也开始关注并开始布局 AIGC 领域的早期企业。（澎湃新闻）[2023/2/28 12:33:34]
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：
Ronin Network及其开发者测试网Saigon更新RON质押、浏览器细节查询等功能:12月8日消息，Ronin Network DApp更新DPoS、RON质押、浏览器等功能，其中开发者测试网Saigon的更新包括RON质押，错误修复，用户界面增强，并防止二次委托；Ronin Network的更新包括RON交易（包括multisig）在浏览器的显示、以及ERC721和ERC1155 Token ID及其细节的可查性。[2022/12/8 21:31:49]
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》
02 使用爬虫技术的风险
以太坊侧链Ronin Network已上线面向开发者的测试网Saigon:11月23日消息，据官方公告，以太坊侧链Ronin Network推出开发者测试网Saigon，允许开发者在测试网上进行合约部署。Ronin Network还将在该测试网上测试DPoS共识机制。此外，Ronin Network 宣布已将Ronin Protocol、Ronin Bridge以及DPoS的智能合约开源。[2022/11/23 8:01:10]
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。
区块链之父Scott Stornetta：我不是中本聪，Craig Wright也不是:关于中本聪（Satoshi Nakamoto）这个名字，区块链之父Scott Stornetta称，你可以买一本关于日本名字的字典，Satoshi可以有20种日本汉字。但我倾向于认为‘satoru’是‘to know’、‘to be wise’。”“中本”在日本非常常见，如果把它分解成汉字，那么可能的解释是：‘Naka’显然是中心，‘moto’是起源。虽然其工作以及能流利使用日语使他成为完美的中本聪候选人，他一直明确否认。因此，我们很大一部分注意力都放在随着时间推移不断更新记录完整性的能力上，这样记录就能持续几十年甚至几个世纪，我们就能在抗量子计算和所有这些东西中生存下来。这是中本聪没有注意到的。虽然他不知道中本聪的身份，但排除了Craig Wright的可能性。他认为，我们应该努力理解中本聪对比特币的愿景，以便理解如何向前发展。他认为比特币与其说是科学，不如说是艺术。我是这个阵营的一员，我相信用比特币做的事情肯定是天才的杰作。但这更像是一件艺术品，一件为许多可能性打开大门的工程艺术品，但绝不是最终或最佳的解决方案。（Cointelegraph）[2020/4/28]
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】
声音 | Craig Wright：ERC-20是“死路一条”:自称是“币特币创始人“的Craig Wright在其社交媒体发表观点称，ERC-20是“死路一条”。Craig Wright对法律监管表示担忧，并且很快就会有交易所禁止这些加密货币，不包括比特币。[2018/7/18]
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。