“量化自我”——从数据化个体的角度重新审视“大数据”

【摘要】本文聚焦于“量化自我”，这个伴随着穿戴式传感器廉价化和智能手机普及而迅速兴起的社会运动，从狭义与广泛的角度给出对“量化自我”概念内涵的理解，并梳理和归纳了当前世界主流的量化自我工具与服务。在此基础上，从健康医疗领域，到微观的信息交互方式，再到宏观的知识转化模式，探讨了量化自我对于社会的广泛影响，以数据化的个体为切入点，重新审视“大数据”的深刻内涵。

【关键词】 量化自我；   大数据；     信息交互；     数据化

 

迎接数据化时代

     当我们无法精确定义某种事物时，则会冠之以一个指意模糊的代称，“大数据”（Big Data）就是这样一种代称。如果我们要理解它，只能够将它进一步具体化。

美国帕罗奥多研究中心（PARC）的马克·韦泽（Mark Weiser）提出人类最终将进入“普适计算”（Ubiquitous Computing）的阶段，即我们可以在任何时间、地点，获取和处理任何信息[1]，无处不在的微小设备无时不刻不在采集、传输和计算，形成一个包罗万千的信息网络，这与麻省理工学院的Kevin Ash-ton教授在1991年提出的 “物联网”（The Internet of things）殊途同归。

    普适计算很可能不再是预言，因为数据，正逐渐渗透人们的生活，影响、甚至取代原有的知识生产方式和认识框架，而其中一个非常重要的趋势，就是“量化自我”（Quantified Self）。 量化自我，标志着社会化的个体开始主动运用数据的方式开展认识自我的实践，预示着人类认知领域全面数据化的开始。

 

量化自我的概念解读

 

    量化自我，由英文“Quantified Self”直译而来，是“运用技术手段，对个人生活中有关生理吸收（Inputs）、当前状态（Status）和身心表现（Performance）等方面的数据进行获取”[2]，也可称作“Self-tracking”（自我跟踪）, "Auto-analytics"（自我分析）等[3]。

    量化自我（Quantified Self）这个名词，最早是在2007年，由《Wired》杂志主编凯文·凯利（Kevin Kelly）和技术专栏作家沃尔夫（Gary Wolf）提出，并由此发起一场探索自我身体（Hack the self）的社会运动[4]，他们把对自我跟踪感兴趣的使用者和工具制造者（Self-tracker）组织起来，召开量化自我大会，在全球各国建立量化自我的兴趣组织。

    试图对人自身进行量化监测的想法由来已久。早期的概念是人本主义计算（Humanistic Computing），可以追溯到上世纪70年代，那时就已经有通过穿戴式传感器（Wearable sensors）以人的行为、生理信息为对象的研究。早期的研究使用诸如穿戴式摄像机等比较简陋的技术手段，记录人日常生活中的心理和生理变化来了解人类智能、行为等[5]。今天的量化自我，无论是可量化的内容范围、还是技术手段都已有了惊人的进步。

 

狭义的量化自我

    狭义的量化自我——与人体日常生理活动、状态直接相关的量化和监测过程——通过使用计算机、便携式传感和智能手机应用等技术手段，来追踪和记录运动、睡眠、饮食、心情等个体行为的情况，通过各种数据指标来研究、分析自身，例如“体重”、“计步”、“睡眠时间”、“消耗食物卡路里”、“空气质量”、“压力指数”、“皮肤电导”、“血氧饱和度”等[6]。狭义的量化自我主要围绕着运动健身、日常生理和疾病治疗这三类数据进行监测和分析，目的在于改善身体健康状况，因此也可称作“健康量化”（Health tracking）。

    笔者收集了相关材料[7][8][9]，对现有的量化自我工具和技术手段进行了整理和分类，根据目标、技术和形式的不同，形成以下列表：

 

1. 日常记录（Everyday Tracking）：

    通过APP、网站的提醒服务，从用户的日常实际生活行为（Activities）到互联网行为（Internet behaviors），收集、归类形成个人档案，并通过图表等视觉化方式加以呈现。

 

服务商	形式	主要功能
Daytum[10]	网站、社区、APP	自由创建分类，全方位记录日常数据
AskMeEvery[11]	网站、社区	通过电子邮件、短信方式记录日常数据
IFTTT[12]	网站、APP	与69种网络服务快速建立连接的功能 设置服务、提醒并记录

 

2. 运动追踪（Activity Tracking）

    主要是通过穿戴式智能传感器，围绕人的物理活动，追踪运动、饮食和睡眠相关数据，并通过配套的APP实现数据记录、分析、可视化、设置目标、提醒等功能，通常软件还加入了协作、社交分享的功能。

 

服务商	形式	主要功能
Moves[13]	APP	记录跑步时的步数、距离、时间、热量消耗等
Rnkeeper[14]	APP	简易记录运动数据，有社交功能
Nike Fuelband[15]	APP、穿戴式设备	记录步数、距离、热量消耗等
Amiigo[16]	APP、穿戴式设备	详细记录、统计各项运动数据
Omronfitness[17]	网站、社区 APP、穿戴式设备	记录步数、距离、时间、热量消耗等 有完善的个人数据分析系统
Misfitwearables[18]	APP、穿戴式设备	记录步行、跑步、游泳、睡眠数据
Jawbone UP[19]	网站、社区 APP、穿戴式设备	记录和追踪睡眠、活动、饮食和心情信息 能够连接其他自我量化软件
Fitbit[20]	网站、社区 APP、穿戴式设备	记录运动、饮食、控制体重、睡眠四类数据 完善的激励体系和社交功能
Strava[21]	网站、社区 APP、穿戴式设备	通过GPS技术，记录跑步、自行车运动数据 完善的激励体系和社交功能
Bodymedia[22]	网站、社区 APP、穿戴式设备	记录运动、饮食、控制体重、睡眠四类数据 最早的wearable body monitoring system

 

3. 睡眠管理（Sleep Management）

    通过穿戴着设备，监测、分析睡眠，提供个性化的睡眠改善方案。

 

服务商	形式	主要功能
Sleepcycle[23]	APP	生物闹钟功能等，记录睡眠的时间规律
Zeo[24]	APP、穿戴式设备	头戴式设备，专业的监测睡眠功能
Wakemate[25]	APP、穿戴式设备	生物闹钟功能，同时进行运动、饮食监测
Lark[26]	APP、穿戴式设备	无声闹钟、睡眠监测功能，运动、饮食建议

 

4. 情绪监测（Mood Tracking）

    通过网站、APP等服务，用户自主记录情绪，监测情绪长期变化。

 

服务商	形式	主要功能
Happiness[27]	APP	每日记录最多5个快乐体验或成就 每周设置快乐提示功能
Moodpanda[28]	APP	用户自主记录心情指数、原因 形成心情日历、心情地图等
Moodjam[29]	网站、APP	用户用关键词、颜色记录心情，形成个人记录
Moodscope[30]	网站、社区	通过提交在线测试卡片，形成个人心情记录 基于情绪一览表（PANAS） *positive affect negative affect schedule

 

5. 机能监测（Body Tracking）

    对身体各项关键生理指标进行监测和记录，主要包括心脏系统、血液系统、体重三类数据。

 

服务商	形式	主要功能
Cardiio[31]	APP	通过面部摄像，监测心率，形成报告
EmWave2[32]	体外设备	通过监测心率，判断压力情绪，改善精神状态
Polar[33]/ Basis[34] Mio[35] / ithlete[36]	APP、穿戴式设备	运动心率监测 带心率传感器的运动外套：Adidas miCoach
Tinke[37]	APP、体外设备	监测心率、呼吸、血液含氧量，数据可视化
Withings[38]	APP、体外设备	监测心率，血压，形成个人可视化报告
Blipcare[39]	APP、体外设备	无线设备，监测多人血压，定时提醒功能
Wellnessfx[40]	网站、APP	检测血液，提供远程健康咨询、建议
Insidetracker[41]	网站、APP	检测血液中维生素与其他营养元素的含量 提供保健与体育锻炼建议

 

    除了以上罗列的各种自我量化的软件、穿戴式设备和服务，还有其他各种各样的健康数据监测的服务，比如DNA测序（23andMe[42]）、微量元素监测（Spectracell[43]）、血糖监测（Dexcom[44]）甚至认知追踪（Quantified-mind[45]）；除了监测数据类型的多样化，还提供相应的数据处理服务，如电子病历服务、个人健康记录管理等等。

    总而言之，就是把实时监测、记录的健康数据可读化、云端化、社交化。

 

广义的量化自我

    广义而言，量化自我绝不仅限与身体和健康领域，还包括个体的日常生活习惯、行为、认知等。如果说狭义的量化自我是“健康量化”，探索自我身体（Hack the self），那么，广义量化自我，就是探索个体生活（Hack my life）。

    “记录夫妻关系、学习、孩子的教育情况、身体以及房子”（硅谷QS Meetup组织者：Betts-LaCroix），我们每天通过个人计算机、智能手机、信用卡等不断产生文字、照片、声音、视频、地理位置和消费记录，都是在构成这个大数据世界，个体把对自我的了解变成个人数据库，无数个体的个人数据库共同编织成为“自我大数据”（DIY Big Data）（Alissa Quart，2013）。

    笔者认为，未来广泛的个体量化数据网络（QS Database），将会主要包含以下四类数据：

 

 

健康数据——关于人体机能与状态的数据
	身体数据、运动数据、饮食数据、情绪数据等
	病历、身高、体重、血液、心脏、呼吸、睡眠、热量摄取和消耗、情绪
认知数据——关于个体性格、认知规律的数据
	性格数据、兴趣数据、社交网络数据、语义习惯数据
	经历、言论、照片、视频、标签、兴趣组、访问记录、社交关系
消费数据——关于个体消费行为与习惯的数据
	交易数据、金融财务数据、税务与社保数据
	存款、股票、资产、投资、信用卡记录、电子消费记录、纳税与社保记录
环境数据——关于个体与物理环境互动的数据
	天气数据、位置数据、通讯数据
	LBS记录、天气记录、驾驶数据、航班记录、通讯记录、旅行记录

    在现有的技术条件下，已经具备了对以上四类数据收集、储存和初步处理的可能。“自我大数据”（DIY Big Data）无疑会成为大数据最重要的一个组成部分。个体可以被全面量化，表明数据可能会深刻地改变人类知识生产方式和认识框架。

 

量化自我的实质与社会影响

 

    “self knowledge through self-tracking”（从自我中认识自我），是沃尔夫对量化自我实质的概括，他明确地把对自我进行一些列量化的活动提升到“知识”（knowledge）的高度，对照今天我们关于大数据、普适计算和物联网等概念的认识，沃尔夫的判断有着深刻的立足点。

    量化自我，从2007年作为一个“名词”被广为人知才短短数年，现在对它将会带来的社会影响进行断言似乎为时过早，但微型传感器和智能移动技术的发展，穿戴式设备功能不断拓展，可以预见——数据的易得性提高而成本不断降低，这将会极大地促进量化自我运动。笔者认为，量化自我，会作为推动社会全面数据化的主要驱动力之一。

      量化自我的社会影响是多方面的。

    仅在医疗与健康领域，就可看到量化自我的作为一种自我认识的社会性运动，完全改变了个体医疗健康服务的模式。

 

健康量化监测体系

Health Self-monitoring Ecosystem

 

    从上图可以看出，量化自我让个人健康医疗真正意义转变为“Health 2.0”模式，通过穿戴式传感设备和智能手机应用实时监测体征数据，无线云端计算系统可以运用数据可视化（Data visualization）工具，将数据反映出的健康信息，以可读的方式反馈给个体，从而达到对健康的量化监测。

    这个量化体系的建立，可以让80%前临床生命周期（Pre-Clinical life cycle）都可在我们的监控之下，为保健、疾病预防和个性化医药方案（Personal medicine）提供了数据参考。另外，协作性社交网络的建立，也让参与量化活动的个体相互学习、协作和帮助，让个体更加了解自己身体的同时，产生更多的健康知识领袖（Health advisor），缓解专业医疗资源稀缺的问题，这一点对中国这样的发展中国家来说十分有益。

     从全社会的角度看，量化自我的两大支柱：穿戴式传感技术与云端计算，推动着两大变化：第一，数据获取的范围和方式变革，带来人与信息的交互方式的变化；第二，对复杂数据处理能力的提升，有可能使基于实际经验的认知模式（Experience oriented）转向基于量化信息的数据化认知模式（Data oriented）。

    首先，交互方式的变化，笔者认为可从微观和宏观两个维度来考察，如下图所示：

 

  穿戴式计算六信号流路径模型                  量化自我信息交互系统

The Six Basic Signal Flow Paths of WearComp           Information Interaction Ecosystem of Quantified-self

   ^{*原模型为“计算机”，笔者在此处修改为“云端计算”}

    从微观上看，当前环境下与计算机、智能手机的交互方式与印刷媒介的交互并无本质的区别，均为“独占性”交互模式（Monopolizing）。但进一步普及的穿戴式传感设备，会深层地改变人机交互的方式。

    左图为“穿戴式计算六信号流路径模型”[46]，是有着“可穿戴式计算之父”称号的多伦多大学教授Steve Mann在90年代提出的关于穿戴式信息交互特性的总结。今天的穿戴式计算并未从根本上跳脱出这个解释框架，但笔者认为今天的信息终端应该是云端计算（原模型是计算机，笔者在此处修改了模型），这种信息交互方式具有以下六种特性：

①非独占性（Unmonopolizing）和②非限制性（Unrestrictive）：

    由于穿戴式计算的交互过程并不需要隔断与现实空间的联系，创造一个虚拟的交互空间，因此，其对注意力的占用永远是第二性，而非第一性的。同时，穿戴式计算的交互不会给人造成额外的限制，打断正在发生的行为。（不同于智能手机的交互）

③可观察性（Observable）和④可控制性（Controllable）

    这两个特性反应了穿戴式设备与人的相对隔离，二者交互是以人为主导的，人可以主动选择交互方式和发出控制指令，与此同时，设备则处于随时响应的状态。

⑤感知性（Attentive）⑥交流性（Communicative）

    这是穿戴式计算的最重要内在属性：实时性和云端性，设备感知和运算都是持续地感知环境、与环境互动；并且，个体数据库之间相互连接，形成数据计算网络。

 

    从宏观上看，当个体的量化自我行为成为一种普遍的社会实践之后，所谓的大数据（普适计算网络），就是把世界划归为两类数据，一类是自然数据，另一类是社会数据，而社会数据即是由无数的个体数据库构成的量化自我的计算网络——一个保罗万千的社会数据网络。在这个网络中，有意义的数据和运算规则将被保留，无意义的数据和算法都会被剔除。

    具体来看，如右图所示，按照人与信息的交互的深浅，把信息环境由深及浅分为“个体自身”“设备”“网络”“环境”四个层次，与四个层次相对应的有四种主要量化自我数据集“健康数据”“认知数据”“消费数据”和“环境数据”，这就构成了一个完整的个体量化自我信息交互系统。

    基于我们对穿戴式计算微观交互的认识，未来主要的数据收集、监测和处理过程都是普适计算网络自主进行（Automatically），只有极少量的数据会需要通过人的深度参与来获取。

 

    其次，认知模式的转向，笔者认为这种变化集中体现为知识转化模式，如下图所示：

        当前的知识转化模式                   未来的知识转化模式

               Now                                         Future

    

    美国科幻作家皮尔斯·安东尼（Piers Anthony）的雨果奖作品《Macroscope》（1969）中有一个可以观察到任何地点任何事物的万能机器，科幻想象中的预言，后来都变成了现实。

    无论在红杉丛林里放置传感器监测宏观气候变化[47]，亦或是在海潮里放置探测器，监测潮汐能量，就如法国技术理论家罗基（Jo?l de Rosnay）所概括的：人类永远在寻求对外在世界的终极控制，一个控制一切的操纵盘。（Product Details Le Macroscope: Vers une vision globale ,1979）这个不断出现的词：Macroscope，即是技术的终点，量化自我、乃至大数据的实质——将“自我”纳入计算，将“知识”量化（或数据化）。

    笔者认为，社会的全面数据化，或许为时尚早，但“知识”的逐步量化正生活的各个领域发生，影响着人类的认知模式。传统的知识习得来源有两种，一个是经验（Experience），一个是理性直观（Rational Intuition），通过经验和可操作的实验方法，我们可以提炼出对事物本质与规律的认识，而运用人的理性直观，可以在抽象的概念中综合得到关于理念的认识。而现代计算机技术，大大扩展了量化的广度和计算的深度，这让数据成为了实际经验中的重要组成部分，一方面我们生活在现实的日常中，与真实的对象、环境进行互动；另一方面，我们活跃在虚拟计算机世界中，利用数据化的信息解决问题，如上图所示，这种“分裂”将在未来得到“融合”。笔者将这种认知模式的转向概括为以下几点：

认知领域的无限扩展

    技术是人类的延伸，量化自我无限扩展了人的感知本能，人获得了对身体、意识、行为和环境的全视能力，那些非意识领域的不可知都通过数据呈现为可知，同时，通过数据的实时记录和历史记录，让认知过程突破时间性。

事实导向转变为数据导向

    数据化知识，将几乎取代实际经验，影响人们的大部分认识与行为，尽管实际经验仍旧是知识的第一来源，但量化监测替代了物理感知，数据是比模糊的经验、感受更可靠的认知参考。

统一认知规则建立

    如上文所说，个体数据库构成了普适计算网络，元数据（Metadata）是计算领域的通行标准。数据化的知识是基于元数据规则计算、分析、综合而来，统一化的元数据规则，实现了不同数据库的对接与整合，“认知孤岛”将不复存在。

    当然，关于未来个体认知模式的描述，都只是一种立足眼前的猜测和假设，我们无法断言技术最终会把人类社会引向何方。

 

量化自我面临的现实挑战

 

    量化自我确实带来了好的影响，尤其是医疗健康和健身领域，一些研究证明，坚持记录对日常饮食的减肥者，减肥效果是那些不作记录者的两倍[48]。上文的Health2.0模式也表明，合理的个体实验（personal experimentation）和群体协助（group collaboration）能衍生出大量新的健康知识。但笔者认为，量化自我面临着众多现实问题，有些问题已经形成相当广泛的共识，应当以理性的态度看待量化自我。

首先，量化自我的成本很高

    除了价格不菲的穿戴式设备，量化自我往往需要有配套的手机应用、在线社区来实现更加高级的功能。成本就不只是经济上的，还有时间、体能与注意力，由于量化自我方兴未艾，每一种量化工具的局限性很大，如上文可见，光是健康领域的量化工具和服务就已经多达上百种，一般用户很难同时兼顾多个量化工具。量化的高成本的同时，还带来了负面作用，持续不断地自我检测可能会带来一系列的精神疾病，如抑郁症、厌食症等[49]。

其次，量化并不意味着新知

    无论是夫妻用APP记录每次性生活，亦或精确记录每一餐摄入的维生素比例和热量，一个不争的事实是，人们“掌控一切”的欲望越来越强。但获得数据仅仅是量化的第一步，是否一次性活动推数（thrusts）、时长（duration）和音量（decibel peak）[50]数值越大，幸福度越高，是否每日摄入热量低于某个数值才意味着健康？量化并不总是能带来新知，尤其是当我们对量化的认识还处在初级阶段的时候。

    沃尔夫在提及量化自我的目标时说道：“How to eat, how to sleep, how to learn, how to work, how to be happy.”[51]（如何吃，如何睡，如何学习，如何工作，如何快乐）笔者认为，对于这句话的解释也许有两种：1，量化知识是对人类所有历史和知识的彻底重估；2，我们难道要向一个不可靠的老师重新学习一遍我们已经学会的生活么？

最后，数据的整合充满障碍

    面对五花八门的量化自我服务，那些量化者们（Self-trackers）十分困惑，例如健康领域，是否需要一个“A Microsoft Of Health Data”[52]（健康数据垄断者）？这是一个量化自我、大数据所面临的问题，如果不同的数据库无法整合，仅仅全面、精确地解读自我都是不可能的，更谈不上知识的数据化、普适计算网络。数据的整合不仅面临技术、算法、元数据规则等问题，还有隐私、数据安全、国家主权等社会政治问题。以隐私问题为例，现在所有的商业和服务都是基于数据网路的，数据垄断化程度越高，提供的服务也会更加完善，而人们的数据保护意识也在加强，在数据交换（Data exchange）过程中，就存在用户与服务商的谈判（Negotiate）[53]，每个人都希望用隐私交换到更低价格的优质服务。

    ABI Research在2013年2月发布的报告中预计2018年以前，可穿戴设备每年出货量可达4.85亿[54]（而2012年全球智能手机的出货量是7.01亿[55]），ABI Research的另一份报告指出，截至2017年末，全球WiFi设备累计出货量将接近200亿台[56]。在可预见的未来数年，量化自我领衔的穿戴式计算就将成为一股重要的大数据力量，回到本文开头提出的问题，或许我们仍然无法精确地定义大数据，但这个时代已经留下了大数据碾过的深深印迹。

 

引用及参考文献

---