做一个识别罕见缺陷的视觉模型，真实样本往往少得让人心虚：拍摄条件有限，标注也容易漏。于是有人提出，能不能用生成的办法把样本补出来？这正是合成数据常见的出发点。它看起来像一条捷径，实际更像一种受控的补充材料。
它补的是稀缺，不是真实
合成数据可以由规则和仿真生成，也可以由生成模型根据已有样本扩展。它擅长制造稀缺场景、危险场景和隐私受限场景下的训练材料，也能让标注与样本一起生成，减少一部分人工成本。但“像”不等于“是”。真实世界里的光照变化、传感器噪声、操作习惯和长尾组合，很难被一次性模拟完整。把它当作真实数据的替代品，容易让模型在实验室里表现顺滑，到了现场却露出偏差。
生成之前，先想清楚怎么验
合成数据最容易带来的问题，是验证也跟着“自说自话”。如果生成器和训练模型共享同一套假设，测试集又来自同样的生成逻辑，分数好看并不奇怪。稳妥的做法，是保留一批未参与生成的现实样本作为独立检验，观察模型在真实分布上的表现；同时检查生成样本的多样性，别让少量模板反复变形后冒充丰富。对边界条件，人工抽检仍然有必要。
把它放进数据管线，而不是另起一套
实际使用时，合成数据可以与真实数据混合，而不是单独堆量。混合比例要看任务，不必追求某个固定配方。来源记录、版本管理和质量筛选需要一起做：哪些样本由什么规则生成，经过哪些变换，是否带标签，后续如何追溯，这些信息会直接影响排查问题的效率。还要留意数据漂移，真实环境在变，生成逻辑若长期不更新，补充材料也会慢慢失真。
所以，它不是“数据不够就生成”的万能按钮。它更像一种需要被管理的实验材料：用在真实样本难以覆盖的地方，用独立验证约束自信，用来源记录保留可解释性。想清楚这些，再决定生成多少、怎么混、何时停，可能比一味追求逼真的生成效果重要。