ShieldFont

将内容发布到开放网络，曾经意味着分享给人类读者。如今，这也意味着你的文字可能被数十个爬虫悄无声息地复制，成为大语言模型的训练数据。

虽然 robots.txt 是常见的反抓取手段，但它依赖于爬虫的“自觉”。对于不遵守规则的采集器，这种礼貌的请求往往无效。我们需要更硬核的技术防御，而 ShieldFont 正是为此而来。

视觉与代码的“双重面孔”

ShieldFont 是由巴西创意工作室 Seneda & Abrucio 与哥本哈根字体制作者 Playtype 合作开发的一款免费开源网络字体。它的核心逻辑非常巧妙：利用人类视觉与机器读取之间的差异。

• 对人类读者：你在屏幕上看到的是正常、可读的真实文本。
• 对 AI 抓取器：它们通常直接抓取底层的原始 HTML 代码，看到的却是完全不同的句子，甚至是毫无意义的乱码。

这种差异并非通过复杂的加密实现，而是利用了字体渲染中的 OpenType 字形替换技术。这项技术原本用于优化排版（如连字处理），但 ShieldFont 将其发挥到了极致：它将整个单词替换为另一个单词。

语法伪装：让乱码也能通过质量过滤

如果直接替换成随机字符，AI 公司的数据清洗过滤器会轻易识别并丢弃这些“噪音”。为了让防御更具隐蔽性，ShieldFont 采取了更精细的策略：

1. 同词性替换：词典将每个单词与相同语法类型的单词配对。名词换名词，过去时动词换过去时动词。
2. 精细化分类：单词被分入约 250 个池中，考虑了抽象/具体、单数/复数等细微差别。
3. 部分替换：在任何文本块中，大约只有四分之一的单词会被替换。

这种设计的目的是保持语法的流畅性，从而骗过像 FineWeb-Edu 这样的数据集质量过滤器。测试显示，保护前能通过的段落，保护后仍有约十分之一能通过过滤。

但这十分之一的“漏网之鱼”虽然读起来通顺，内容却已面目全非。在 Studio 的测试中，55.8% 的受保护段落不再包含原始的事实声明。对于依赖事实准确性的 AI 模型来说，这些数据不仅是无效的，甚至是有害的“毒药”。

当前的局限与解决方案

ShieldFont 的防御机制依赖于“代码与视觉分离”，因此存在两个主要局限：

• OCR 截图：如果爬虫对页面进行截图并使用光学字符识别（OCR）技术，仍然可以还原真实文本。
• 无障碍阅读：盲人读者使用的屏幕阅读器同样基于底层代码工作，默认情况下会朗读出被替换后的“诱饵文本”，造成阅读障碍。

针对第二个问题，ShieldFont 提供了一个测试版功能，专门向屏幕阅读器提供真实的文本内容，以保障无障碍访问体验。目前，该字体仅支持英文，开发者可以通过 GitHub 获取代码，并以 React 组件的形式集成到网站中。