代码里的少年

地铁车厢里的变化不算剧烈。读报纸的人少了，看手机的人多了。那些屏幕上的内容——新闻、社交、视频——正在取代纸张上的信息。

张一鸣注意到这个现象是在2011年。他后来说，那一年他意识到一个根本性的转变正在发生：人们获取信息的方式正在从个人电脑迁移到智能手机。

这个观察本身不新鲜。2011年的北京，智能手机的普及率正在快速上升，几乎每个人都能感觉到。但张一鸣把这个观察推向了更远的地方。

他问自己：当信息从纸张和电脑屏幕迁移到手机屏幕，分发的逻辑会发生什么变化？他当时在九九房担任CEO。这家公司做的是房地产搜索，但张一鸣真正关心的是另一个问题：信息如何找到需要它的人。

这个问题的种子，埋得比九九房更早。1983年，张一鸣出生在福建龙岩永定区。那是一个被群山环绕的地方，客家土楼散落在山坳之间。父亲在龙岩市科委工作，后来下海经商，母亲是护士。家庭环境不算富裕，但有一个特点：父母对他的选择干预很少。

这种宽松后来被他反复提及，作为自己能够不断转换方向的背景条件。2001年，他考入南开大学。最初录取的专业是微电子学。这个专业在当时很热门，出路清晰，但他很快发现自己对另一个领域更感兴趣：软件工程。他转到了软件工程专业。

这个选择在当时需要一些解释——微电子学听起来更硬，更接近芯片和硬件，而软件工程在那个时候还没有后来那么炙手可热。张一鸣的理由很直接：软件能更快地看到结果，能更快地迭代。一个程序写出来，跑一遍，就知道对不对。硬件不行，硬件要流片，要等，要花很多钱。这种对快速反馈的偏好，后来贯穿了他的整个职业生涯。

大学期间，他读了很多书。据他后来在公开场合的回忆，他当时对信息论、对推荐系统产生了兴趣。南开大学的图书馆里，他翻过一些关于信息检索的论文和教材。这些阅读没有留下详细的笔记记录，但从他后来的产品思路中可以反推出一些痕迹：他关注的核心问题一直是同一个——如何让信息主动找到人，而不是让人去找信息。

这个问题的反面，就是当时互联网的主流逻辑。门户网站把信息堆在首页，搜索引擎让人输入关键词。两者都要求人先做出选择：点哪个链接，搜什么词。

张一鸣觉得这个逻辑不够好。人不知道自己想要什么的时候，怎么搜？人没有明确需求的时候，门户的编辑怎么知道该推荐什么？他后来在多个场合表达过一个判断：编辑的判断是低效的。

这个判断在当时并不流行。门户网站的编辑是内容行业的核心岗位，他们决定什么上头条，什么被淹没。张一鸣不否认编辑的专业能力，但他认为这种能力无法规模化。一个编辑一天能看多少条新闻？一百条？两百条？而互联网上的信息是海量的。编辑只能覆盖极小的一部分，剩下的信息就沉没了。

算法可以覆盖全部。算法不睡觉，不疲倦，不带偏见。算法只认数据。这个信念的种子，在大学的阅读和思考中种下，但真正让它生根的，是他后来的几段职业经历。他的第一份工作是在酷讯。酷讯做的是生活搜索，包括房产、招聘、二手物品。

张一鸣在这家公司从工程师做起，后来负责搜索和推荐相关的技术。在酷讯，他第一次大规模地接触到用户行为数据。他看到用户在搜索框里输入的词，看到他们点击的结果，看到他们停留的时间。

这些数据让他意识到一件事：用户说出来的需求和他们实际的行为之间，存在差距。用户可能搜“租房”，但点开的是“合租”的帖子。用户可能搜“招聘”，但浏览的是“兼职”的信息。

这个差距意味着什么？意味着用户自己也不完全清楚自己想要什么。他们的搜索词只是冰山一角，水面之下是更复杂的、未被表达的需求。如果只依赖用户主动输入的词，就会错过水面下的部分。

算法可以捕捉水面下的部分。通过分析点击、停留、滑动、跳过，算法可以推断出用户真正感兴趣的内容类型，而不需要用户主动说出来。

这个认识在酷讯时期还只是一个模糊的直觉，但已经足够让他对“搜索”这个范式产生怀疑。搜索的前提是：用户知道自己要什么，并且能够用关键词表达出来。这个前提在很多时候不成立。离开酷讯后，他去了微软。

微软的工程文化规范、严谨，但节奏慢。他在微软待的时间不长。这段经历没有留下太多公开的细节，但从他后来的职业选择可以推断：他需要更快的节奏，需要更直接的反馈。微软的体量决定了它的决策链条长，一个功能的改动可能要经过多层审批。这种环境不适合验证一个尚未被广泛接受的判断。

然后他去了饭否。饭否是中国最早的微博客平台之一，由王兴创办。张一鸣在饭否负责技术。

饭否的经历让他看到了另一件事：信息的流动不完全是用户主动搜索驱动的。用户在饭否上发布内容，关注别人，被关注，信息通过社交关系链传播。这种传播方式比搜索更被动，但也更高效——用户不需要主动去找，信息会通过关注关系推送到他面前。

但饭否的社交分发有一个限制：它依赖用户主动建立关注关系。如果一个用户刚注册，没有关注任何人，他就看不到任何内容。社交分发的冷启动问题很严重。

算法分发可以解决冷启动。算法不需要用户先建立关系，它只需要用户的行为数据。

哪怕用户只是随便点了几下，算法也能从中提取出信号，开始推荐。饭否后来被关闭。

张一鸣离开饭否后，参与创办了九九房。九九房做的是房地产搜索，张一鸣担任CEO。

这是他第一次担任CEO，管理一家完整的公司。九九房的业务在增长，但张一鸣的关注点逐渐偏离了房地产。他在九九房期间，越来越多地思考一个更宏观的问题：移动互联网的到来，会如何改变信息分发的格局？

2011年，他的观察开始收敛。地铁上读报纸的人少了，看手机的人多了。手机屏幕比电脑屏幕小，但手机随身携带，随时在线。这意味着信息分发的频率会更高，场景会更碎片化。用户不会像在电脑前那样，坐下来，打开浏览器，输入关键词，认真搜索。用户会在等车的时候、排队的时候、走路的时候，掏出手机，看一眼，滑几下。

这种使用场景要求信息主动送到用户面前。用户没有耐心去搜索，没有耐心去筛选。他们要的是打开应用就能看到自己感兴趣的内容。这个判断，在当时并不是共识。

2011年，移动互联网的创业热潮刚刚开始，但主流的方向是工具类应用和社交应用。新闻资讯类的应用也有，但大多数是把门户网站的内容搬到手机上，由编辑人工推荐。

张一鸣觉得这个方向不对。人工推荐无法规模化，无法个性化，无法覆盖长尾内容。

他相信算法能做到。算法可以分析每个用户的点击、停留、滑动、跳过，构建出每个人的兴趣画像。算法可以根据画像推荐内容，不需要编辑介入。算法可以覆盖海量内容，把每一条内容匹配给可能对它感兴趣的人。这个信念的核心是一句话：数据比人更懂人。

这句话听起来简单，但它包含了一个代价。如果数据比人更懂人，那么人的判断——编辑的判断、专家的判断、用户自己的判断——就都成了低效的零件。编辑可以被算法替代，专家可以被数据替代，用户自己说出来的需求可以被行为数据替代。

张一鸣后来在多个场合解释过这个逻辑。他的表述很克制，不带情绪。他说，推荐系统不是为了替代人，而是为了服务人。但他也承认，推荐系统的效率确实高于人工推荐。

这个效率优势是结构性的，不是靠编辑更努力就能弥补的。这个信念的形成过程，没有戏剧性的转折点。它是一系列观察、阅读、职业经历叠加的结果。酷讯的用户行为数据，饭否的社交分发，九九房的移动端趋势，加上大学时期对信息论的阅读，这些东西在他脑子里慢慢汇聚成一个清晰的判断。2011年，这个判断已经足够清晰。

他决定辞去九九房CEO的职位。这个决定在当时并不容易解释。九九房是一家有收入、有团队、有投资人的公司。张一鸣是CEO，职位稳定，前景可期。辞职意味着放弃这些，去验证一个尚未被市场验证的信念。

他没有立刻创办字节跳动。辞职后，他花了一段时间思考下一步。他后来在2015年南开大学的演讲中提到，2011年他注意到地铁上看报纸的人越来越少，这个观察促使他思考移动互联网带来的机会。他没有详细描述辞职后的那段时间，但从他后来的行动可以推断：他在寻找一个能够验证“数据比人更懂人”这个信念的产品方向。2012年，他创建了字节跳动。同年8月，今日头条上线。

字节跳动的天使轮融资来自源码资本的曹毅，以及天使投资人刘峻、周子敬，金额是数百万元人民币。A轮融资来自SIG海纳亚洲创投基金，金额是100万美元。这些数字在当时的创业环境中不算突出，但足够让一个十几人的团队运转起来。

今日头条的产品逻辑很简单：用户打开应用，看到一条信息流，信息流里的内容由算法根据用户的兴趣推荐。用户不需要搜索，不需要关注，不需要编辑推荐。算法从用户的行为中学习，不断调整推荐内容。用户用得越多，推荐越准。这个产品逻辑直接体现了张一鸣在九九房时期形成的信念。它把“信息找人”这个命题变成了一个可运行的产品。算法是这台产品的引擎，数据是燃料，用户的每一次点击和滑动都是对算法的训练。

但“数据比人更懂人”这个信念，在当时还没有被验证。今日头条上线后，面临的问题很多：算法推荐的准确率够不够高？用户会不会接受没有编辑推荐的信息流？内容源从哪里来？商业模式是什么？这些问题都没有现成的答案。

张一鸣带着这个信念离开了九九房，创建了字节跳动。但市场还没有给出答案。算法推荐的效率优势，在理论上成立，在实践中有待验证。

他面对的是一群技术理想主义者，在有限的条件下，试图把一个信念变成产品。这个信念的代价，在当时还看不清楚。把编辑判断视为低效零件，意味着有一天也会把其他“人的判断”视为低效零件。效率的逻辑一旦启动，就会不断扩张它的边界。今天替代编辑，明天可能替代其他岗位。这个逻辑的终点在哪里，张一鸣当时没有答案。

他只知道一件事：移动互联网的到来，让信息分发的逻辑必须改变。而算法，是他找到的最好的工具。

2012年的春天，他带着这个信念，和一群人在锦秋家园的一间民房里，开始了字节跳动的第一个产品。那间民房的灯光，后来被反复提及，成为字节跳动创业故事的起点。但起点之前的那段路——从龙岩到南开，从酷讯到九九房，从用户行为数据到“数据比人更懂人”的信念——才是理解后来所有决策的关键。

在九九房最后那段时间，张一鸣的注意力已经不在房源数据库的字段设计上。他仍然开会、看报表、见投资人，但那些动作更像是在维持一台已经调好参数的机器运转。

真正占据他脑子的，是另一个问题：如果手机成为人的延伸，信息分发的基本单位还是“查询”吗？在电脑时代，搜索框是入口，用户输入关键词，系统返回结果。这个动作默认了一个前提：人知道自己要什么，并且能用词表达出来。

张一鸣在酷讯已经见过这个前提如何破裂。用户搜“租房”，点开的却是“合租”；搜“招聘”，停留最久的却是“兼职”。搜索词是意图的压缩包，但压缩过程中丢失了太多东西。推荐系统要做的，不是等用户把压缩包发过来，而是从行为痕迹里解压。

这个思路在酷讯时期只是直觉。酷讯的数据让他看到，点击、停留、跳转这些动作比搜索词更诚实。一个人可能不愿意承认自己想看娱乐新闻，但他的手指会停在那条新闻上。一个人可能说自己要找严肃的工作，但他反复点开的是另一类信息。行为数据不会撒谎，或者说，它撒谎的方式和语言不同。语言是经过自我审查的，行为是未经审查的。张一鸣后来对推荐系统的信心，很大一部分来自这个早期观察：用户说出来的需求，和他们实际选择的内容之间，存在系统性偏差。这个偏差不是偶然误差，而是结构性的。因为人并不总是自己的好解释者。

饭否的经历又给他补上了另一块。社交分发让信息沿着关注关系流动，用户不需要搜索，信息会从关注的人那里推过来。这比搜索更被动，也更符合人的惰性。

但饭否的弱点同样明显：它依赖用户主动建立关系。一个新用户注册进来，如果没有关注任何人，信息流就是空的。他必须先去寻找、关注、建立连接，才能获得内容。这个冷启动门槛，把大量潜在用户挡在外面。

张一鸣从中看到的不是社交分发的失败，而是它的不完整。关系是人的显性选择，行为是人的隐性痕迹。

如果算法能从后者出发，就不需要用户先做出选择。哪怕用户只是随便点了几下，算法也能开始工作。这个判断后来成为“信息找人”的核心：不是等人来找信息，而是让信息从行为中学会找人。

微软那段经历，则从反面确认了他对节奏的要求。微软的工程文化规范、严谨，但决策链条长，一个功能改动要经过多层审批。对于已经成熟的产品，这是稳定；对于一个尚未被广泛接受的判断，这是拖延。张一鸣需要的是快速反馈。他大学从微电子转到软件工程，理由就是软件能更快看到结果。写一段代码，跑一遍，对不对立刻知道。硬件要流片，要等，要花钱。这个偏好没有变。微软让他看到，大公司的规范可以保证不出大错，但也会让一个需要试错的新方向失去速度。他后来选择创业，不是因为他排斥规范，而是因为他要验证的东西还没有规范可循。

这个判断在当时不是共识。2011年，移动互联网创业热潮刚起，主流方向是工具类和社交类应用。新闻资讯类应用也有，但大多数是把门户内容搬到手机上，由编辑人工推荐。张一鸣觉得这个方向不对。人工推荐无法规模化，无法个性化，无法覆盖长尾内容。一个编辑一天能看多少条新闻？一百条？两百条？互联网上的信息是海量的。编辑只能覆盖极小一部分，剩下的信息就沉没了。算法可以覆盖全部。算法不睡觉，不疲倦，不带偏见。算法只认数据。这个对比在当时听起来像技术乐观主义，但张一鸣把它当成一个工程问题：如果分发的瓶颈在人工判断，那就把人工判断从关键路径上拿掉。

这里有一个容易被忽略的细节。张一鸣并不是没有见过编辑的工作。他也知道编辑有专业能力，知道什么内容重要，什么内容值得推荐。但他判断，这种能力无法规模化。一个编辑的判断再准，也只能覆盖有限的内容。而互联网的供给是无限的。编辑的瓶颈不是能力，而是带宽。人的带宽有限，机器的带宽可以扩展。这个判断把编辑从“内容行业的核心岗位”重新定义为“分发链条上的低效零件”。这个重新定义不是情绪化的贬低，而是效率逻辑的必然推论。一旦用效率作为最高标准，人的判断就会变成瓶颈。瓶颈就要被替换。

如果去看他早期可能留下的阅读痕迹，公开材料并没有保存下详细的笔记或批注。能确认的是他关注的问题类型：信息如何被编码、检索、排序和反馈。信息论提供了一套语言，把传播看成信道、噪声、编码和解码；推荐系统提供了一套方法，把用户行为看成特征、权重和排序信号。这些概念后来反复出现在他的产品思路里，但在大学时期，它们还只是零散的拼图。没有证据表明他当时已经写下了“数据比人更懂人”这句话。更合理的推断是，他在酷讯、饭否、九九房的经历中，不断把零散的阅读和观察压进同一个问题：信息分发的瓶颈到底在哪里？答案逐渐从“搜索技术”转向“人的判断”。

Google News 是一个常被拿来对照的早期样本。它用算法聚合新闻，没有人工编辑的首页，靠聚类、排序和点击反馈来组织内容。公开材料里没有张一鸣对 Google News 的详细拆解记录，但可以把他可能关注的分析维度作为类型提示：它如何把海量新闻源聚成话题，如何决定排序，如何根据点击调整，如何在没有编辑干预的情况下维持内容的相关性。Google News 证明了机器可以组织新闻，但它仍然建立在网页链接和搜索行为之上。到了移动端，行为数据变得更密集：滑动、停留、跳过、回退、分享。这些动作比点击更细碎，也更接近人的注意力流向。张一鸣要做的，是把这种细碎的行为变成分发的燃料。

编辑判断被视作低效零件，这只是第一步。更深的一步是，当效率成为最高标准，人的温度也会被重新估价。编辑的推荐里包含价值判断、语境判断、公共性判断，这些东西很难被量化，也很难被快速迭代。算法不处理“应该”，只处理“可能”。它不判断什么重要，只判断什么可能被点击。这个区别在当时还没有被充分讨论。张一鸣也没有在公开场合把它说成一种代价。他更愿意把推荐系统描述为服务人的工具。但工具的逻辑一旦启动，就会沿着效率的轨道向前滑。今天替代的是编辑的判断，明天可能替代的是其他岗位上的判断。这个边界在哪里，2012年的张一鸣没有答案。

此时还没有组织来把这种代价制度化。字节跳动尚未成立，没有流程、指标、岗位说明书来固定“数据比人更懂人”这条原则。但个人信念已经提供了蓝本。一个相信数据高于判断的人，一旦开始招人、搭团队、定优先级，就会把这种信念变成筛选标准：谁能接受数据反馈，谁能在快速迭代中调整自己，谁愿意把个人判断交给实验结果。组织还没有诞生，但组织的共识雏形已经在他脑子里。它不是写在纸上的价值观，而是一套关于效率、反馈和规模的直觉。

这个信念的种子，在代码里种下，在数据里生根，在移动互联网的土壤里发芽。它会长成什么样子，2012年的张一鸣还不知道。但他已经决定，要把它种下去。九九房的团队和投资人面对的是一个突然的告别。张一鸣没有带走九九房的核心团队，他选择重新开始。这个选择意味着他要重新找人、重新融资、重新搭建技术架构。

但对他来说，这些是必须付出的成本。信念的验证比稳定的职位更重要。他后来在多个场合提到“延迟满足感”这个概念。这个词在字节跳动内部被反复引用，成为公司文化的一部分。

但延迟满足感的另一面是：你必须先放弃一些东西，才能去追求你认为更重要的东西。张一鸣在2011年放弃了九九房CEO的职位，这是他对“延迟满足感”的第一次重大实践。这个实践的代价，在当时还看不清楚。九九房的团队需要重新找方向，投资人需要接受CEO的离开，张一鸣自己需要从零开始。这些代价都是具体的、即时的。而收益——如果“数据比人更懂人”这个信念被验证——是遥远的、不确定的。

他选择了遥远的、不确定的收益。这个选择本身，就是造浪机的第一颗齿轮。造浪机需要燃料，而燃料是人的自我改造。张一鸣在2011年对自己做了一次改造：从一个房地产搜索公司的CEO，变成了一个信息分发革命的推动者。

这个改造的代价是放弃已有的稳定，换取一个尚未被验证的可能性。这颗齿轮一旦转动，就会带动更多的齿轮。今日头条上线后，算法推荐的逻辑会不断扩张，从新闻资讯扩展到短视频、社交、电商、教育。每一次扩张都意味着更多的“人的判断”被算法替代，更多的人需要重新组织自己。

但2012年的张一鸣，还看不到这些。他只知道，地铁上读报纸的人越来越少了。这个观察像一根刺，扎在他脑子里，让他无法安于九九房的CEO职位。他必须去做点什么。他做了。他辞了职，创建了字节跳动，推出了今日头条。

然后他等待市场的回答。市场还没有回答。算法推荐的效率优势，在2012年还只是一个假设。张一鸣带着这个假设，和一群技术理想主义者，在锦秋家园的民房里，开始了漫长的验证过程。那间民房的灯光，会亮到很晚。