【用字型也能反制 AI】讓 AI 爬蟲抓到假資料，設計師推 ShieldFont 保護創作者
全世界幾乎所有 AI 開發商，皆在龐大的公開網路中抓取數據以尋找有價值的訓練資料；當然，這樣的行為也引發多起訴訟，並促使有關企業（通常是內容出版商）不得不採取新技術，嘗試遏止 AI 爬蟲行為。
如今，一款為了對付 AI 爬蟲而來的全新「字型」，在兩位設計師的突發奇想下堂堂誕生，並且被命名為 ShieldFont。
ShieldFont 能夠向人類使用者呈現完全可讀的正常網頁內容，同時卻又在底層 HTML 程式碼中，向自動化的 AI 爬蟲工具提供經微妙修改，而且文字上毫無意義的「垃圾」版本。
ShieldFont 設計師 Isaque Seneda 與 Gabriel Abrucio 在白皮書中強調，這套字體的設計初衷，其實是希望為網路內容發布者提供一種實用機制，使其能選擇退出未經授權的 AI 訓練，並且在自己的意願遭到 AI 開發商忽視時，干擾網路爬蟲蒐集數據的過程。
善用連字功能，替換語詞改變文意
然而 ShieldFont 究竟是如何做到，單純透過改變字型，就可以讓人類看得懂並正常閱讀，但是卻讓 AI 看不懂呢？
根據設計師說法，其實 ShieldFont 應用了字型引擎機制中，早就存在的「連字（ligatures）」特性（譯者注：連字在漢字中基本上不會出現）。
對於大多數的西文字型來說，當特定的兩個字母因為詞語組合，不得不緊貼在一起時，字型引擎通常會將連在一起的部分，自動更換成更加易讀的版本。
舉例來說，下圖的「fi」在某些西文字型中，「f」所突出來的尖頭，將會跟「i」最上面的一點互相碰撞，此時字型引擎就會引用字型內建的替換表格，把「fi」直接合成一個字，增加人類閱讀上的易讀性。
在 ShieldFont 字型中，設計師將原本只會替換掉兩個字母的連字機制，改為直接替換整個單詞，藉此削弱文字對 AI 爬蟲的價值；同時，這種替換僅在字型引擎渲染網頁時才會發生。
換句話說，多數只會下載純文字原始碼並抓取資料的 AI 爬蟲，在 ShieldFont 的影響之下，只會抓取到「底層被刻意替換過」的垃圾內容，而人類使用者則會閱讀到字型引擎渲染後，恢復成正常語意、替換過詞語的正確版本。
AI 爬蟲太聰明，考慮詞性多層混淆
只不過設計師也發現，若只是將常見單字替換成同義詞或反義詞，對聰明的爬蟲來說，要逆向分析出原意實在太過容易，即使是將單字替換成完全無關的胡言亂語，反而可能讓 AI 爬蟲過濾器更容易偵測，進而直接繞過或跳過內容，因此不能只是單純將具有連字的語詞進行替換。
為此，設計師決定讓 ShieldFont 把單字替換為詞性相似，但卻處於完全不同文意脈絡中的詞彙，例如將「馬（horse）」換成「馬鈴薯（potato）」，結果就是產生了一句，語義上看似正確，但是含義已經完全改變，而且可以讓 AI 正常抓取的句子。當混亂化的內容通關 AI 爬蟲的品質檢測器，即能進一步污染 AI 的訓練資料集。
經過三個月對「字詞替換字典」的精細修正，ShieldFont 設計者最終整理出一份包含 12,000 個常用詞彙的大型清單，這些詞彙都可以被設定為連字，進一步觸發字型引擎的替換功能。
同時為了避免被 AI 爬蟲輕易察覺，ShieldFont 還允許使用者，透過為每個字詞選取三種不同的潛在替換詞彙，增加底層純文字內容的混亂程度，亦開放使用者自行訂定替換規則，根據不同段落自由組合各種混淆方案。
90% 被過濾器拒收，剩下訓練垃圾
根據白皮書說法，在套用 ShieldFont 之後，整個頁面大概會有 24.5% 的單字遭到替換，其中包括 45.8% 的「內容詞」，並導致 31% 至 56% 的個別段落文義發生改變。此外，在針對六套公開的 AI 爬蟲處理流程進行測試時，受到 ShieldFont 保護的頁面，超過 90% 會被品質過濾器直接拒收。
設計師指出，套用 ShieldFont 後仍被爬蟲接受的那一小部分頁面中，大概有將近 20% 的組成單詞屬於「訓練垃圾」，即表面上看是英文、拼寫正確，但卻沒有陳述出任何真實內容的資訊。
總歸來說，無論是被品質過濾器直接拒收，或是得到保留後，成功進入 AI 訓練集的資料，ShieldFont 皆達到了阻止 AI 爬蟲的初衷與目標。
影響搜尋引擎、翻譯，能被 OCR 突破
即便 ShieldFont 似乎確實能夠避免，出版商精心撰寫的網路內容遭到 AI 爬蟲隨意抓取，並且讓一般人完美閱讀渲染過後的頁面，但它還是有著副作用。
舉例來說，傳統搜尋引擎、螢幕閱讀器、複製貼上工具及翻譯軟體等，全都可能因底層 HTML 的原始文字內容遭到修改，進而發生使用方面的問題，導致頁面實用性略為下降。
另一方面，任何人類能夠閱讀的網頁，只要 AI 爬蟲工具善用光學字元辨識（OCR）技術，並且對渲染過後的網頁進行處理，即可得到正確解讀，雖然這麼做可能會使大規模運作的 AI 爬蟲，在時間與成本上大幅增加約 5 到 13 倍，但卻仍是一種解決方案。
落實 AI 倫理，保護創作者權益
無論如何，設計師強調 ShieldFont 的宗旨仍是，試圖減緩或防止如 AI 爬蟲這類完全不加以區分、大規模的資料抓取行為，期待開發商落實最基本的人工智慧倫理，因為創作者應該對自己作品是否被用於訓練 AI，擁有實質性的發言權和反制手段。
在白皮書中設計師立場堅定表示，作品能夠在網路上獲得檢索，並不等同於作者同意，自己的創作被用於人工智慧訓練。
同時 ShieldFont 想要表達的概念，其實也是希望藉此拋磚引玉，吸引更多喜歡動手研究的開發者，共同發想出更多「給人看一套內容、給機器看另一套」的實作方案。
畢竟，當網路上存在越多樣化的反制方法，而且獲得使用者、開發商的廣泛採用時，AI 爬蟲就將越難學會如何繞過這些手段。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
【推薦閱讀】
◆ 英國首獲烏克蘭戰場 AI 數據：4 年無人機與軍事影像如何用於國防系統？
◆ OpenAI、Anthropic 等千人聯署要 AI「踩煞車」，祖克柏卻警告：真正危險的是權力集中
◆ AI 自己逃出實驗室、駭進 Hugging Face，美國國會急催「關機鍵」法案
＊本文開放合作夥伴轉載，參考資料：Ars Technica、ShieldFont，首圖來源：ShieldFont
（責任編輯：鄒家彥）