必然 精彩片段：
第10章 追踪 Tracking
我们并不了解自己。通过测量与自身相关的数据揭露我们隐秘的天性，是一项只有短暂历史的不凡工作。直到不久前，一个人得绞尽脑汁才能想到办法测量与自身相关的数据，同时不被自己误导。用科学方法实现自我追踪是昂贵、繁琐、有局限的。但在过去几年里，廉价的微型数字传感器能轻易记录各类不同的参数，以至于几乎人人都能测量上千种和自身有关的数据。这些涉及自身的实验已经开始改变我们对医疗、健康和人类行为的看法。
透过数字技术的魔力，温度计、心率监测仪、运动追踪器、脑电波探测仪以及上百种其他的复杂医疗设备都能缩小到和书上的字，甚至标点一样大。这些肉眼可见的测量设备能够嵌入手表、衣服、眼镜、电话，或者是房间、汽车、办公室以及公共空间这些操作成本不高的地方。
2007年春天，我住在加州北部。一天，我和一位医生朋友艾伦·格林（Alan Greene）在屋后杂草丛生的小山上徒步旅行。我们一边沿着泥泞的小路向山顶缓缓行进，一边讨论当时的一项新发明——塞进鞋带中的微型计步器。它能记录下每一步，然后将数据储存到iPod中便于以后分析。我们可以利用这台微型设备计算出爬山消耗的卡路里，或是追踪我们一段时间内的锻炼模式。
一周后，我和《连线》杂志记者加里·沃尔夫（Gary Wolf）又在同样的地方徒步旅行。他对这些新兴自我追踪装置的社会意义感到好奇。当时此类设备总共只有十多种，但我们都预见到，当传感器不断变得更智能时，追踪技术将大行其道。这是一种怎样的文化趋势？加里指出，当我们依赖数字而不是文字时，将构建出一个“量化自我”。2007年6月，加里和我在网上宣布，将召开一次“量化自我”见面会，欢迎所有认为自己正在实践这类行为的人参加。我们没有给“量化自我”下具体定义，想看看会有哪些人出现。第一次活动中，超过20人来到了我在加州帕西菲卡市的工作室。
他们追踪的项目种类之多让我们大吃一惊。他们用可量化的单位测量自己的饮食、体质、睡眠模式、心情、血液因子、基因、地理位置，等等。有些人还自己制造设备。有人为了把力量、耐力、专注力和效率提升到极限，花了5年时间实行自我追踪。如此进行自我追踪是一般人难以想象的。今天，全世界有150个量化自我团体，超过30,000名成员。8年以来，每个月都有人在量化自我大会上展示一种之前看来几乎不可能实现的巧妙新方法，追踪生活的某个方面。即便有人因为某种极端的个人习惯显得格外突出，他的行为不久也会被看作是稀松平常的。
计算机科学家拉里·斯马尔（Larry Smarr）追踪了大约100项健康数据，包括他的皮肤温度、皮肤电反应以及血液生化指标。每个月他都排列出自己粪便中微生物的组成，而这反映了他的肠道微生物系统组成情况。这个领域正迅速成为医学界最有前景的前沿方向之一。有了这个数据流，再加上大量的业余医学调查资料，斯马尔在没有医生提示症状的情况下，诊断出自己患有克罗恩病（Crohn's disease），或溃疡性结肠炎。外科手术证实了他的诊断。
斯蒂芬·沃尔夫勒姆是发明Mathematica的天才。这是一款智能数学处理软件（相对于文字处理软件）。作为一个痴迷数字的人，沃尔夫勒姆将他的计算能力用在了1700万份与自己生活有关的文件中。他处理了自己25年来收发的所有邮件，还记录了13年来自己每一次的键盘敲击、通话电话、脚步移动、在家中和办公室里的不同房间穿梭的轨迹以及出门后的GPS位置。他追踪了自己写书和写文章时修改校订的次数。借助自己发明的Mathematica软件，他把自我追踪变成了一种可以展示几十年来自己日常生活模式的“个人分析”引擎。有些模式是难以察觉的，比如他在分析自身的数据之前并不知道自己在一天中什么时候效率最高。
设计师尼古拉斯·费尔顿同样在过去5年里追踪并分析自己所有的邮件、信息、脸谱网和推特上的帖子、通话以及旅行记录。每年他都生成一份年度报告，将前一年的数据结果形象化。2013年，他总结道，自己平均每天有49%的时间是高效的，但星期三效率最高，达到了57%。他的独处时间占总时间的43%，睡眠时间占总时间的三分之一（32%）。他使用这份定量综述来帮助自己更好地记忆曾经见过面的人的名字。
在量化自我会议上，我们看到有人追踪自己的习惯性拖拉行为、喝咖啡的量、警觉程度以及打喷嚏的次数。老实说，任何可以追踪的事物都有某个地方的人在进行追踪。在最近的国际量化自我大会上，我提出了这个挑战：让我们想一个最不可能测量的事物，看看有没有人在追踪测量。于是我询问500名自我追踪者：“有人追踪自己指甲的生长状况吗？”这看上去十分荒唐，但还是有一个人举起了手。
更微缩的芯片、更强劲的电池以及云端连接激励了一些自我追踪者尝试时间跨度很长的追踪，尤其在健康方面。大多数人每年去医院检查一次身体的某些健康指标就不错了。试想，如果看不见的传感器每天都测量并记录你的心率、血压、温度、血糖、血清、睡眠模式、体脂、活动水平、心情、心电图、脑功能等，你会得到关于每项指标的上万个数据点。你能掌握自己一年中各个时间段、各种状况下的身体数据，包括放松或压力大时、生病或健康时。几年后，你就能精确地了解什么是自己的常态，即指标水平在其中波动的狭小范围。在医疗中，常态是一个假想的平均状态。某人的常态并不适用于另一个人，反之亦然。平均的常态对具体某个人来说作用不大。然而，通过长期的自我追踪，你会得到个人的基准水平，也就是你的常态，当你感觉不舒服或想用自己的身体做实验时，这个常态会很有价值。
不久的将来，一个极其个人化的身体记录数据库（包括完整的基因序列）可以用来打造个人治疗方案和个性化医疗。科学能够通过你生活的日志，为你专门生成治疗方案。例如，家里的一台智能的个性化制丸机能够完全按照你当前的身体状况把药物进行混合。如果早上的治疗减缓了症状，系统还会调整晚上的剂量。
目前，标准的医学研究方法就是在尽可能多的受试者身上做实验。受试者数量（N）越多，研究效果将越好。当N等于100000的随机人群时，我们才能根据实验结论推测一个国家的状况，因为此时受试人群中的离群个体对结果的影响在经过平均后能够消除。事实上，由于经济原因，大多数医学实验的参与者都不到500人。当然，科研中的N=500时，如果操作谨慎，就能通过药物批准。
另一方面，如果一项量化自我的实验中的N只有1，受试者就是你自己。你开始可能会觉得N=1的实验在科学上是无效的，但是这对你个人来说是极其有效的。从多方面看来，这是一个理想实验，因为你所测试的变量X是特定对象，即你的身体和心智在某一时刻的即时状况。谁会关心治疗是否对他人有效呢？如果想了解治疗是否对你有效，那么一个N=1的实验提供的结果完全适用。
N=1的实验（是科学时代之前所有医疗的标准程序）真正的问题不在于它的结果没什么用处（其实是有用的），而在于它很容易误导你自己。我们对于身体、食物、世界的运作（例如蒸发理论、振动理论和细菌理论）都有直觉和期望，而这些会让我们忽视真正发生的事情。我们猜测疟疾是空气不好导致的，于是搬到更高的地方住，这确实带来了些许改善。我们猜测麸质会导致臃肿，于是倾向于找到生活中支持这项猜测的证据而忽视那些认为麸质和臃肿无关的反面证据。受到伤害或感到绝望时，人们尤其容易受偏见影响。N=1的实验要想成功，必须将测试者的期望和受试者的期望分开，但由于一个人同时具有两种身份，这是极其困难的。为了克服这种固有的偏见，人们发明了大量受试者参与的随机双盲测试☾1☽。由于受试者不知道他们的测试考察的是什么，因此不可能带有偏见。在自我追踪的新时代中，我们用自动化装置克服部分N=1的实验中自我误导的问题（在传感器长时间的多次测量中，受试者会“忘记”测试这回事）。我们还能追踪多个变量从而分散受试者的注意力，然后使用统计工具尝试发掘出模式。