做视觉或语音模型的团队，常会遇到一种尴尬：任务已经定义清楚，采集条件却迟迟凑不齐。比如罕见姿态、极端光照、设备故障状态，真实样本少，标注也慢。此时“先生成一批再训练”的想法很自然，合成数据也由此进入工程流程。
它补的不是数量，而是覆盖
把合成数据理解成“凭空造样本”并不准确。更常见的做法，是用规则、三维场景、生成模型或仿真环境，构造带有可控标签的数据。它的价值往往不在把数据集堆大，而在补上真实采集难以覆盖的角落：某些角度、某些遮挡、某些长尾组合。对团队来说，这像是一种可调节的采样手段，而不是无条件的替身。
生成之后，麻烦才刚开始
一批样本能否进入训练，不取决于画面是否逼真，而取决于它是否保留任务需要的线索。生成参数、标签规则、场景组合之间要能对得上，否则容易出现“看起来对、标注错了”的隐患。还要观察分布偏移：如果生成器偏爱某类纹理或背景，模型可能学到生成器的习惯，在真实场景里露馅。因此实践中常把合成数据与真实数据混合，用真实数据做校准与验收。这里的关键不是比例拍脑袋，而是持续观察失败样本，倒推生成环节哪里偏了。
- 标签是否和生成参数对得上，避免“看起来对、标注错了”。
- 场景多样性是否足够，防止模型只记住少量模板。
- 评测集是否保持独立，不用生成样本自证生成样本。
边界感比产能重要
合成数据也有不合适的场合。涉及真实个体行为、细粒度因果关系或高风险判断时，单靠生成样本容易把假设当成事实。稳妥的做法，是把它放在数据补充、压力测试、预训练或仿真验证等环节，并保留可追溯的生成记录。对编辑和产品团队而言，这意味着文档里要写清数据来源、生成方式和适用范围，而不是只写“数据量增加”。
回到最初的问题：当真实样本不够用，它能补上的，往往是覆盖面和试错空间，而不是对现实的全部解释。它让团队提前开始迭代，也让验证变得更琐碎。愿意把验证做细，这项技术才会从“看起来有用”变成流程里可被信任的一环。