做视觉识别的团队常遇到一种尴尬：真实采集的数据里，某种光照、某种遮挡、某种角度就是很少见，模型偏偏在这些情况下容易出错。补采成本高，周期也长。于是有人转向渲染和生成，先造一批看起来合理的样本顶上去。这条路走得通，但它解决的问题比想象中窄。
它补的是数量，不是意外
合成数据的直接价值在于填坑：长尾场景缺样本、敏感数据不便流通、标注人力有限，生成一批带标签的数据确实能缓解。但它终究是从已有分布里采样，再按规则变形。真实世界里那些没被记录过的意外——设备故障、人为误操作、环境突变——不会因为生成器变强就自动出现。数据量上去了，覆盖面未必跟着上去。
模型反复吃自己产出的东西
更值得留意的是训练链条的闭环。若一代模型生成数据、下一代模型拿这些数据训练，循环几轮之后，输出容易向高频模式收缩，分布尾部逐渐变薄。已有研究讨论过这种退化现象，结论的强度因任务而异，但方向上的提醒是清楚的：合成数据更适合作为配比中的一部分，而不是全部。真实数据哪怕少，也承担着校准分布的作用，不能轻易被替代。
评测环节容易被自己骗
还有一处常被忽略：评测集。用生成数据训练，再用同源生成数据测试，等于自己出题自己答，分数好看，上线后却未必稳。比较稳妥的做法是留一份独立的真实数据做验证，且这份数据不参与任何训练和调参。它不需要很大，但要足够“脏”，包含真实采集里的噪声和偏差。
把它当配料，而不是主粮
所以我的判断是：合成数据是流程里的一个配比变量，不是一个可以按比例无限放大的资源。用之前先问三个问题——补的是哪类缺口、和真实数据的比例怎么定、用什么独立数据验证。这些问题没有统一答案，但必须有答案。生成技术会继续进步，可真实世界的意外不会按生成器的规则出现，这一点短期内不会变。