一个不太好拍的场景
做过视觉标注的人大概都有过这种体会：日常场景的素材堆成山，真正缺的却是那些一年遇不上几次、一旦遇上就必须认出来的时刻。设备外侧的临时遮挡、雨雪反光下的读码、装配线上少见的错位——这些画面要么拍不到，要么拍到了也不够标。合成数据要补的，正是这块覆盖率。
它的做法并不神秘：把已知的规律——材质、光照、几何关系——写进渲染或生成流程，再按需要采样出画面。和实拍相比，好处是可控：角度可以指定，遮挡可以叠加，同一场景能批量产出成百上千个变体。代价也同样明确：这些画面服从的是我们对世界的假设，而不是世界本身。
偏在哪里
生成器只能生成它“见过”的东西。如果素材本身就偏——某个季节、某类设备占了多数——那么合成出来的样本会把这个偏差放大，而不是抹平。训练时指标好看，换到真实场景却掉下来，这类落差在工程中并不罕见。问题往往不在生成质量，而在分布：训练集和部署环境的差距，不会因为样本变多而自动消失。
还有一种更隐蔽的情况。当模型产出的内容再次进入训练，误差会被继承。有实验观察到，多轮循环之后输出的多样性会收窄，但退化的程度与具体设定关系很大，不能一概而论。
难的是验收
评价合成数据，不能只看像素是否逼真。一张图看着很像，标注框却可能偏了几个像素；一段生成的对话读起来顺，逻辑上却站不住。更实际的做法是看下游：用了这批数据之后，模型在真实测试集上的错误类型有没有变化，哪些类别受益，哪些反而被拖累。这需要一套和实拍数据同等严格的验收流程，而很多团队在这一步是省着的。
边界
把它放在合适的位置，比争论它是否可信更有意义。大致可以这样看：
- 适合补长尾。真实样本稀缺但规律清楚的场景，合成的边际成本低。
- 适合做预训练和冷启动。先用它把模型带到能用，再用真实数据校准。
- 适合替代一部分敏感素材。在不方便采集的场合，它可以充当近似替身。
- 不太适合承担因果推断。相关性可以被模拟，机制不行。
- 也不太适合当成全部口粮。完全脱离真实数据的训练，风险难以预估。
一个我越来越认同的看法是：合成数据的价值不在于“多”，而在于“补”。它更像是在真实数据够不着的地方搭的脚手架，而不是要替代地基。判断一批数据该不该合成，先问清楚缺的到底是什么——是数量，是类别，还是那些根本没被记录下来的边界情况。这个问题答不上来，生成得再多也只是在原地打转。