一个做工业视觉质检的团队，最近卡在一个很实际的地方：产线上一类缺陷几个月才出现一次，样本攒了不到百张，模型怎么训都不稳。有人提议用生成模型造一批缺陷图，先让模型“见过”。会议室里的分歧不在技术能不能做到，而在于——造出来的图，算不算数。
这种犹豫很典型。合成数据并不是新东西，早年的三维渲染、数据增强、脱敏后重采样，本质上都在做同一件事：不依赖现场采集，也能得到可用于训练的样本。变化在于，生成模型把“按需造样本”的成本压了下来，而且造得越来越像。
它被反复提起，是因为真实数据开始不好拿
公开语料的边际收益在下降，这个说法在业内流传已久。更确定的一点是，剩下的难点大多落在长尾：罕见工况、极端天气、少见故障、低频交互。这些场景本来就拍不到、采不全，靠堆人力去补，成本高且慢。另一头，隐私、授权、数据流转的约束让真实数据越来越难动，很多团队手里有数据却不敢用、不能传。
缝隙就在这里。合成数据的价值不在于“更多”，而在于补到你采不到的地方。
关键不是像不像，是可控
造数据的手段大致几类：渲染引擎与程序化生成，适合几何、光照、材质明确的场景；基于生成模型的图像与视频合成，适合纹理和外观的多样性；还有在仿真环境里跑出来的行为序列，常见于自动驾驶和机器人。它们的共同点不是逼真，而是标注自带——生成时就知道每个像素、每个框对应什么，省掉了标注这一大块成本。参数也可以调：把光照压暗、把遮挡加上、把罕见组合拼出来。
但可控也意味着风险可控地偏。生成模型学到的是训练分布的偏好，它会把偏好复制进新样本里。如果用来造的模型本身对某类场景见得少，产出的东西容易显得“合理但不对”，而这类错误在训练中很难被察觉——损失在降，指标在好看，模型却在学一个更窄的世界。
它更像配比问题，不是替代问题
实际做法通常是混合：真实数据打底，合成数据补覆盖，再用一批从未参与训练的真实样本做验证。验证集必须是真实的，这一条几乎是底线。用合成数据训练、再用合成数据评估，等于自己出题自己判卷，分数再高也说明不了什么。
另一件容易被忽略的事是分布对齐。同一个缺陷，在真实相机下和在渲染图里，纹理、噪声、色偏都不一样。团队常见的补救是后处理：加噪声、做模糊、模拟压缩失真，尽量往真实端靠。这活儿不体面，但往往决定了造出来的样本到底有没有用。
所以我不太认同“数据无限供给”这类说法。合成数据的现实位置，是补齐那些采集代价过高或合规上不可能的角落，以及在受控环境里做压力测试。它能缓解稀缺，但不解决“你不知道自己不知道什么”这个问题。
如果团队正在考虑引入，有三个问题值得先问清楚：合成的分布和真实分布差在哪儿、差多少；有没有一批真实样本专门留着兜底；模型上线后靠什么发现它学偏了。这三个问题答不上来，生成再多的图，也只是把不确定性往后推。
回到那间会议室。最后他们的做法是先造两百张，只用来做预训练，真实样本全部留作微调和验证。不完美，但至少每一步都知道自己在赌什么。