算法3分钟干垮编辑100年：美国新闻阅读时间暴跌83%

2005年，美国人每天花11分钟读新闻。2023年，这个数字跌到7分钟以下。但在线时间没减少——反而膨胀到每天2小时以上。时间去了哪？被一套从没读过书的系统吃掉了。

11分钟→7分钟：新闻不是被杀死，是被降级

这不是内容质量的问题。调查报道的深度、突发新闻的速度，本质上没退化。但"发现机制"换人了——从编辑变成了算法（algorithm，一种基于用户行为数据自动推荐内容的程序）。

传统媒体的逻辑是：记者写稿→编辑判断价值→版面呈现→读者阅读。编辑的角色是守门人，决定什么值得被看见。这个模式跑了100多年，直到2006年左右开始崩解。

Facebook在2006年推出News Feed，把"朋友动态"变成默认首页。Twitter同年上线。这两个产品没发明社交，但发明了"无限下拉"——一个永远填不满的内容漏斗。用户的注意力从此有了去处，而且是被精准计算过的去处。

关键转折在2010年前后。算法推荐从"按时间排序"转向"按兴趣排序"，编辑彻底出局。平台不再问"这条新闻重要吗"，只问"这位用户会点吗"。点击率、停留时长、分享概率，成了新的编辑标准。新闻的价值被翻译成数字信号，信号强的上浮，信号弱的沉没。

结果很直观：2010年美国新闻网站流量还占主导，到2015年，Facebook一家平台就超过所有新闻网站总和。新闻机构从"房东"变成"租客"，交的是注意力租金。

算法编辑的三条暗规则

这套系统怎么运作？可以拆解成三条隐性指令，平台很少公开承认，但代码里写得很清楚。

第一条：情绪优先于信息。愤怒、惊讶、恐惧的内容，互动率平均比中性内容高3-5倍。算法不学新闻伦理，学的是行为预测。一条经过事实核查的平淡报道，跑不过一条带感叹号的标题党。

第二条：熟悉优先于意外。推荐系统的核心是"协同过滤"（collaborative filtering，通过分析相似用户的行为来预测个人偏好）——你喜欢A，和你相似的人喜欢B，于是推给你B。结果是信息茧房的自动化生产。编辑当年还会故意放一篇对立观点"平衡版面"，算法觉得没必要。

第三条：即时优先于沉淀。新闻的半衰期被压缩到小时级。昨天的大选结果，今天的算法权重已经腰斩。深度报道需要一周调研，但平台流量窗口只有24-48小时。调查记者的工作周期和算法节奏天然错配。

这三条规则叠加，造成一个悖论：信息总量爆炸，公共信息质量萎缩。用户每天接触的内容条数涨了10倍，但关于本地政府、国际局势、政策变动的系统性认知，反而更碎片化。

新闻机构的两种自救，都失败了

面对算法夺权，传统媒体试过两条路。

第一条是"入驻平台"。2011-2015年，BuzzFeed、Vox等新媒体把内容直接搬到Facebook，换取流量分成。短期有效：BuzzFeed 2015年视频播放量破10亿。长期崩盘：平台算法一改，流量归零。2018年Facebook调整News Feed优先"朋友互动"，新闻机构流量腰斩，裁员潮跟着来。

第二条是"付费墙突围"。《纽约时报》2011年设付费墙，2023年订阅收入首超广告收入，看似成功。但代价是受众收窄——付费用户集中在高学历、高收入群体，公共议题的讨论变成圈层游戏。更麻烦的是，付费墙内容被算法降权：链接需要登录才能阅读，平台爬虫抓不到全文，推荐优先级自然下滑。

两条路的核心困境相同：算法掌握分发权，新闻机构无论合作还是对抗，都在别人的地盘上出牌。

2023年的新变量：生成式AI入场

现在情况更复杂。ChatGPT、Claude等大语言模型（large language model，基于海量文本训练的人工智能系统）开始充当"中间层"——用户不再打开新闻网站，直接问AI"今天发生了什么"。

这对新闻业是双重挤压。第一层：AI摘要替代原文阅读。OpenAI与新闻集团的授权协议显示，AI生成的新闻摘要平均长度是原文的3%，用户点击率下降60%。第二层：AI训练数据反哺自身。新闻内容被爬取用于训练模型，模型产出又替代新闻消费，形成闭环吸血。

但这里有个微妙反转。生成式AI的"幻觉"问题（hallucination，指AI生成看似合理但实际错误的内容）严重，用户开始意识到：完全依赖算法推荐或AI摘要，会错过关键细节。2023年皮尤研究中心调查显示，18-29岁群体中，主动访问新闻网站的比例意外回升4个百分点——虽然基数仍低，但方向变了。

这个群体正是算法原住民。他们的"回归"不是怀旧，是试错后的修正。就像用惯了外卖的人，偶尔会想自己做饭——不是因为更好吃，是因为对"里面加了什么"失去掌控感。

算法编辑的统治还没结束，但 cracks 出现了。问题是：新闻机构能不能活到裂缝变成出口的那一刻？