一个做视觉识别的团队准备训练新模型，翻遍手头素材，发现某些场景总是缺样本：角度偏一点、光线差一点、遮挡多一点。继续采集要排期，标注也要排期。有人提出，用渲染或生成模型补一批。讨论到这里，问题就不再是“要不要用”，而是“怎么用才不至于把风险藏起来”。合成数据正是在这类具体缺口里被频繁提起。
它补的是覆盖，不是现实本身
这类样本指由规则、仿真环境或生成模型产出的数据，用来参与训练、测试或回归验证。合成数据并非凭空制造事实，而是把人对场景的理解写成参数、约束和采样策略。它的特点在于可控：可以指定光照、遮挡、视角，也可以重复生成同一类难例，方便定位模型在哪个环节出错。对采集成本高、隐私约束紧或现实样本稀少的任务，这种可控性有实际吸引力。
但可控也意味着选择。生成器写下什么，样本就偏向什么；没写进去的，往往不会自动出现。若把这类样本直接混入训练集，却不记录生成参数、筛选标准和版本，后续复现会变得困难。模型表现波动时，团队很难判断问题来自真实数据、合成样本，还是两者混合方式。工程上，它更像一种需要登记来源的实验材料，而不是随手可取的填充物。
边界在验证环节
合成数据常见的误区，是把“看起来像”当成“分布对”。生成样本在视觉上自然，不代表它覆盖了真实世界的噪声结构；仿真环境里的物理规则，也可能与现场条件存在偏差。若训练集里合成样本占比上升，而验证集仍来自同一生成器，评估就会显得顺滑，却难以说明真实场景的表现。验证集需要保留真实样本，或者至少引入独立来源的样本，让偏差有机会暴露。
另一个成本藏在标注与筛选。生成模型可以批量产出，但批量不等于可用。团队仍要抽样检查、去重、过滤异常，并为合成样本设定准入规则。这个过程不显眼，却决定后续返工量。我的判断是，这类样本把成本从“采集和标注”转移到“验证和治理”，并没有让数据工作消失。把它当成免费替代，往往会在上线前的回归测试里补交学费。
- 先明确缺口：缺的是样本数量、场景覆盖，还是特定难例。
- 保留生成记录：参数、版本、筛选规则和抽样比例都要能追溯。
- 分开评估：真实样本与合成样本各自形成验证视角，再对照结果。
- 设定退出条件：当这类样本带来的收益无法被验证支撑，就应缩减使用范围。
回到开头那个团队，合理的做法不是一次性灌入大批生成图，而是先挑几类缺口做小规模对照：加入前后，模型在独立真实样本上的错误类型是否变化，哪些错误被补上，哪些新错误出现。这类样本在这里扮演的是受控实验材料，而不是现实数据的替身。它的价值取决于使用边界是否清楚，记录是否完整，验证是否独立。缺了这些，生成得再多也只是把不确定性往后推。