设想一个做视觉检测的团队，常规样本已经堆满硬盘，真正缺的是少见光照、遮挡和故障形态。继续采集意味着时间、成本与安全边界，标注也会被拖慢。此时，合成数据被拿上桌：用程序生成一批可控样本，先把空缺补起来。它听起来像“造数据”，实际更像一种工程折中。
它补的是覆盖，而不是热闹
合成数据的直接价值，往往在长尾覆盖。真实世界里，稀有情况出现频率低，等它自然发生不现实；人工布置又要付出场地和人力。通过参数化生成，可以主动调整角度、背景、光照和噪声，让训练集见到更多变化。另一个常见动机是隐私与合规：当原始样本不便流转，生成式方法可提供较可分发的替代形态。还有标注成本，生成时同步产出标签，省去部分重复劳动。
问题藏在“看起来很像”之后
但合成数据不是免费的午餐。生成器会把自己的偏差带进样本，模型学到的可能只是模拟器里的规律。真实场景的传感器噪声、材料反光、操作习惯，很难被完整复刻。分布一旦偏移，训练指标可能好看，落地却变得脆弱。更麻烦的是验证：如果测试集也来自同一套生成流程，评估就会变得自说自话。于是，使用合成数据的关键不在“生成多少”，而在“如何混、如何验、如何退”。
- 先明确缺口：缺的是类别、场景还是标注，不同缺口对应不同生成策略。
- 保留真实锚点：用真实样本做验证集，避免在同一分布里自我循环。
- 控制混合比例：让合成部分服务覆盖，而不是淹没真实信号。
- 记录生成参数：版本、随机种子、渲染条件都应可追溯，方便复现和排查。
更稳妥的用法，是把它当补丁
我的判断是，合成数据更适合做补丁，而不是整块替代。它能在数据稀缺处提供可控补充，也能在隐私约束下打开一些空间；但它需要真实样本校准，需要独立验证，需要对生成流程保持怀疑。团队若只把它当作“快速扩量”的按钮，很容易把模拟器偏差包装成模型能力。反过来，如果把它纳入数据治理：知道缺什么、生成了什么、怎么验，合成数据才会成为一个安静的工程工具，而不是新的幻觉来源。