一个做工业质检的朋友最近抱怨，缺陷样本一年也攒不到几百张，模型在产线上却要面对十几种罕见瑕疵。买不到、标不起、等不及——这是他第一次认真考虑合成数据。
真实数据的三道坎
稀缺只是表象。长尾场景本身就是低频事件，产线跑一年，某种划痕可能只出现几次；标注又依赖懂工艺的人，成本高且慢；再叠加隐私与授权，能用的样本还要再打折扣。三个约束叠在一起，很多项目卡在冷启动阶段，模型连一个可用的基线都搭不起来。
但合成不等于随便造。生成出来的样本如果在像素上像、在物理因果上不对，模型学到的就是错的关联——比如把光照变化误当成缺陷特征。这类错误不会在验证集上立刻暴露，往往要等到换产线、换批次才显出问题。
它到底在补什么
补数量是最表面的理解。更实际的用法是补覆盖：把现实中难以采集的边界条件摆到模型面前，让它提前见过。
- 光照、遮挡、材质反光等成像条件的变化；
- 出现频率极低、但一旦漏检代价不小的故障形态；
- 隐私或授权敏感场景下，用作替身的样本。
另一类用法是补标签。生成过程与标注过程可以合并，边界框、分割掩码随样本一起产出，省掉一轮人工。还有一类是补隐私边界——用生成样本替代原始记录，降低数据流转中的暴露面。这三件事的价值不同，混在一起谈容易高估。
自噬的风险不在耸动，而在缓慢
用模型生成的数据训练下一代模型，分布会逐代收窄，这是被反复讨论的现象。它不会让模型突然失效，而是让模型慢慢变得自信却单调：对训练分布内的样本越来越顺，对分布外的情况越来越迟钝。
不过把它当成绝对禁令也不准确。关键在混合比例和筛选机制——真实数据保留多少作为锚点，生成样本经过多严格的验收才能进入训练集。筛选的成本常常被低估。合成数据的“便宜”是把成本从采集端挪到了验证端，如果验证做得草率，省下的钱会在下游加倍还回去。
还有一点容易被忽略：生成参数、随机种子、筛选规则如果没记录，出了问题几乎无法回溯。可追溯性不是流程上的装饰，而是排查分布漂移时唯一的线索。
把它当配方问题，而不是替代问题
我的看法是，合成数据适合解决“有没有”的问题，不太适合单独解决“准不准”的问题。落到工程上，有几件事值得坚持：
- 保留真实数据的锚点，哪怕量很少，也要保证每个关键类别都有；
- 用真实分布做验收，而不是只看生成图像的主观质量；
- 在下游任务指标上评估增益，而不是统计生成了多少张；
- 记录生成与筛选链路，让后续迭代有据可查。
边界也要说清楚。涉及安全判定、合规结论的场景，生成样本只能做补充，不能顶替真实记录；越是下游责任重的环节，越需要真实数据兜底。
回到开头那个质检场景。合成数据能帮他跨过冷启动那道坎，但真正决定模型能不能上产线的，还是那几百张真实缺陷图给出的锚点。工具越方便，越需要有人盯着它有没有跑偏。