我們並不了解自己。通過測量與自身相關的數據揭露我們隱秘的天性，是一項只有短暫歷史的不凡工作。直到不久前，一個人得絞盡腦汁才能想到辦法測量與自身相關的數據，同時不被自己誤導。用科學方法實現自我追蹤是昂貴、繁瑣、有局限的。但在過去幾年裡，廉價的微型數字感測器能輕易記錄各類不同的參數，以至於幾乎人人都能測量上千種和自身有關的數據。這些涉及自身的實驗已經開始改變我們對醫療、健康和人類行為的看法。
透過數字技術的魔力，溫度計、心率監測儀、運動追蹤器、腦電波探測儀以及上百種其他的複雜醫療設備都能縮小到和書上的字，甚至標點一樣大。這些肉眼可見的測量設備能夠嵌入手錶、衣服、眼鏡、電話，或者是房間、汽車、辦公室以及公共空間這些操作成本不高的地方。
2007年春天，我住在加州北部。一天，我和一位醫生朋友艾倫·格林（Alan Greene）在屋後雜草叢生的小山上徒步旅行。我們一邊沿著泥濘的小路向山頂緩緩行進，一邊討論當時的一項新發明——塞進鞋帶中的微型計步器。它能記錄下每一步，然後將數據儲存到iPod中便於以後分析。我們可以利用這台微型設備計算出爬山消耗的卡路里，或是追蹤我們一段時間內的鍛煉模式。
一周後，我和《連線》雜誌記者加里·沃爾夫（Gary Wolf）又在同樣的地方徒步旅行。他對這些新興自我追蹤裝置的社會意義感到好奇。當時此類設備總共只有十多種，但我們都預見到，當感測器不斷變得更智能時，追蹤技術將大行其道。這是一種怎樣的文化趨勢？加里指出，當我們依賴數字而不是文字時，將構建出一個「量化自我」。2007年6月，加里和我在網上宣布，將召開一次「量化自我」見面會，歡迎所有認為自己正在實踐這類行為的人參加。我們沒有給「量化自我」下具體定義，想看看會有哪些人出現。第一次活動中，超過20人來到了我在加州帕西菲卡市的工作室。
他們追蹤的項目種類之多讓我們大吃一驚。他們用可量化的單位測量自己的飲食、體質、睡眠模式、心情、血液因子、基因、地理位置，等等。有些人還自己製造設備。有人為了把力量、耐力、專註力和效率提升到極限，花了5年時間實行自我追蹤。如此進行自我追蹤是一般人難以想像的。今天，全世界有150個量化自我團體，超過30,000名成員。8年以來，每個月都有人在量化自我大會上展示一種之前看來幾乎不可能實現的巧妙新方法，追蹤生活的某個方面。即便有人因為某種極端的個人習慣顯得格外突出，他的行為不久也會被看作是稀鬆平常的。
計算機科學家拉里·斯馬爾（Larry Smarr）追蹤了大約100項健康數據，包括他的皮膚溫度、皮膚電反應以及血液生化指標。每個月他都排列出自己糞便中微生物的組成，而這反映了他的腸道微生物系統組成情況。這個領域正迅速成為醫學界最有前景的前沿方向之一。有了這個數據流，再加上大量的業餘醫學調查資料，斯馬爾在沒有醫生提示癥狀的情況下，診斷出自己患有克羅恩病（''s disease），或潰瘍性結腸炎。外科手術證實了他的診斷。
斯蒂芬·沃爾夫勒姆是發明Mathematica的天才。這是一款智能數學處理軟體（相對於文字處理軟體）。作為一個痴迷數字的人，沃爾夫勒姆將他的計算能力用在了1700萬份與自己生活有關的文件中。他處理了自己25年來收發的所有郵件，還記錄了13年來自己每一次的鍵盤敲擊、通話電話、腳步移動、在家中和辦公室里的不同房間穿梭的軌跡以及出門後的GPS位置。他追蹤了自己寫書和寫文章時修改校訂的次數。藉助自己發明的Mathematica軟體，他把自我追蹤變成了一種可以展示幾十年來自己日常生活模式的「個人分析」引擎。有些模式是難以察覺的，比如他在分析自身的數據之前並不知道自己在一天中什麼時候效率最高。
設計師尼古拉斯·費爾頓同樣在過去5年里追蹤並分析自己所有的郵件、信息、臉譜網和推特上的帖子、通話以及旅行記錄。每年他都生成一份年度報告，將前一年的數據結果形象化。2013年，他總結道，自己平均每天有49%的時間是高效的，但星期三效率最高，達到了57%。他的獨處時間佔總時間的43%，睡眠時間佔總時間的三分之一（32%）。他使用這份定量綜述來幫助自己更好地記憶曾經見過面的人的名字。
在量化自我會議上，我們看到有人追蹤自己的習慣性拖拉行為、喝咖啡的量、警覺程度以及打噴嚏的次數。老實說，任何可以追蹤的事物都有某個地方的人在進行追蹤。在最近的國際量化自我大會上，我提出了這個挑戰：讓我們想一個最不可能測量的事物，看看有沒有人在追蹤測量。於是我詢問500名自我追蹤者：「有人追蹤自己指甲的生長狀況嗎？」這看上去十分荒唐，但還是有一個人舉起了手。
更微縮的晶元、更強勁的電池以及雲端連接激勵了一些自我追蹤者嘗試時間跨度很長的追蹤，尤其在健康方面。大多數人每年去醫院檢查一次身體的某些健康指標就不錯了。試想，如果看不見的感測器每天都測量並記錄你的心率、血壓、溫度、血糖、血清、睡眠模式、體脂、活動水平、心情、心電圖、腦功能等，你會得到關於每項指標的上萬個數據點。你能掌握自己一年中各個時間段、各種狀況下的身體數據，包括放鬆或壓力大時、生病或健康時。幾年後，你就能精確地了解什麼是自己的常態，即指標水平在其中波動的狹小範圍。在醫療中，常態是一個假想的平均狀態。某人的常態並不適用於另一個人，反之亦然。平均的常態對具體某個人來說作用不大。然而，通過長期的自我追蹤，你會得到個人的基準水平，也就是你的常態，當你感覺不舒服或想用自己的身體做實驗時，這個常態會很有價值。
不久的將來，一個極其個人化的身體記錄資料庫（包括完整的基因序列）可以用來打造個人治療方案和個性化醫療。科學能夠通過你生活的日誌，為你專門生成治療方案。例如，家裡的一台智能的個性化制丸機能夠完全按照你當前的身體狀況把藥物進行混合。如果早上的治療減緩了癥狀，系統還會調整晚上的劑量。
目前，標準的醫學研究方法就是在儘可能多的受試者身上做實驗。受試者數量（N）越多，研究效果將越好。當N等於100000的隨機人群時，我們才能根據實驗結論推測一個國家的狀況，因為此時受試人群中的離群個體對結果的影響在經過平均後能夠消除。事實上，由於經濟原因，大多數醫學實驗的參與者都不到500人。當然，科研中的N=500時，如果操作謹慎，就能通過藥物批准。
另一方面，如果一項量化自我的實驗中的N只有1，受試者就是你自己。你開始可能會覺得N=1的實驗在科學上是無效的，但是這對你個人來說是極其有效的。從多方面看來，這是一個理想實驗，因為你所測試的變數X是特定對象，即你的身體和心智在某一時刻的即時狀況。誰會關心治療是否對他人有效呢？如果想了解治療是否對你有效，那麼一個N=1的實驗提供的結果完全適用。
N=1的實驗（是科學時代之前所有醫療的標準程序）真正的問題不在於它的結果沒什麼用處（其實是有用的），而在於它很容易誤導你自己。我們對於身體、食物、世界的運作（例如蒸發理論、振動理論和細菌理論）都有直覺和期望，而這些會讓我們忽視真正發生的事情。我們猜測瘧疾是空氣不好導致的，於是搬到更高的地方住，這確實帶來了些許改善。我們猜測麩質會導致臃腫，於是傾向於找到生活中支持這項猜測的證據而忽視那些認為麩質和臃腫無關的反面證據。受到傷害或感到絕望時，人們尤其容易受偏見影響。N=1的實驗要想成功，必須將測試者的期望和受試者的期望分開，但由於一個人同時具有兩種身份，這是極其困難的。為了克服這種固有的偏見，人們發明了大量受試者參與的隨機雙盲測試 。由於受試者不知道他們的測試考察的是什麼，因此不可能帶有偏見。在自我追蹤的新時代中，我們用自動化裝置克服部分N=1的實驗中自我誤導的問題（在感測器長時間的多次測量中，受試者會「忘記」測試這回事）。我們還能追蹤多個變數從而分散受試者的注意力，然後使用統計工具嘗試發掘出模式。
從許多針對大數量總體的傳統研究中我們了解到，治療起作用常常是因為我們相信它有作用。這又被稱作安慰劑效應。這些量化自我的追蹤並不完全拒絕安慰劑效應，它們反而與安慰劑效應共同起作用。如果幹預過程帶來了可測量的改善，那麼它就是有效的。我們關心的不是這種改善是否來自安慰劑效應，而是它能否對這個唯一的受試者起作用。因此，安慰劑效應可以是正面的。
在正式研究中，你需要一個對照組來抵消對於正面結果的偏見。在N=1的實驗中，量化自我實驗者，用自身的基