做模型的人常会遇到一种别扭：真正想覆盖的场景，在现有数据里偏偏很少。比如少见光照下的道路边缘、设备故障前的异常声音、客服对话里含混的指代。样本少，标注成本高，隐私又卡着手脚，于是合成数据被拿上台面。
它补的是缺口，不是事实
合成数据可以来自规则模拟，也可以由生成模型产出。前者可控，边界清楚；后者灵活，却容易把生成器的习惯带进样本。两者共同的问题是：看起来像，不等于在任务里有意义。训练集里多出一批“像”的图片，可能只让模型记住纹理；评测集里混入“像”的对话，可能掩盖真实分布的毛刺。判断它有没有用，先看它替代了哪一段数据，而不是看它多逼真。
先定用途，再谈生成
在训练阶段，合成数据适合补长尾和稀缺组合，但要防止重复模式被放大。一个谨慎做法是把真实样本与合成样本分开管理，记录生成条件、采样方式和过滤规则，训练时再决定混合比例。到了评测阶段，情况更微妙：如果测试集也由同一类生成器产出，分数可能好看，却测不出模型对真实世界的迟钝。评测用的数据，宁可少一些，也要保留来源和分布的可追溯性。
- 训练补充：关注覆盖缺口，而不是数量堆叠。
- 评测使用：关注来源独立，避免生成器和被评测模型共享偏差。
- 隐私场景：先确认生成过程不保留可识别信息，再谈替代。
“像”之后，还要问“够不够杂”
合成数据常被期待解决隐私和稀缺两个难题。但隐私不是换个生成器就自动消失，稀有场景也不是多生成几轮就能覆盖。生成样本的多样性、噪声结构和错误类型，往往影响结果，清晰度并不是唯一变量。一个只生成“标准脸”的工具，放到真实业务里，可能让模型对边缘情况反应迟钝。相反，适度保留不合理、模糊、带噪声的样本，反而接近数据本来的样子。
我的判断是，合成数据可以当作一种受控的实验材料，而不是真实数据的万能替身。它把“缺什么”这个问题摆到明面上：缺的是样本数量，还是标注质量，还是场景定义本身。如果团队说不清这一点，生成得再多，也只是把模糊拖到训练之后。真正值得投入的，是生成之前的分布设计和生成之后的验证流程——那部分不显眼，却决定它到底是补丁，还是新的偏差来源。