做质检的团队常有这样的时刻：产线上真正值得标注的缺陷样本，一个月也攒不出多少，而模型要收敛，动辄需要成千上万张。标注成本是一道坎，更麻烦的是有些缺陷本身出现得随机，等样本自然积累，产品早就换代了。
合成数据正是在这种夹缝里被反复提起的。它不指望从现实里再捞出更多样本，而是用渲染、仿真或生成模型，把「可能需要的数据」造出来，再配上标签。思路朴素：既然采集昂贵、稀缺、有隐私或安全顾虑，那就先在虚拟环境里把分布铺开。
便宜的是生成，贵的是像
合成数据的门槛看上去很低，跑一个生成模型，几个小时就能产出大量图像。但真正的工作量在后面：造出来的东西必须和真实分布对得上。
- 光照、材质、噪声这些细节，仿真里稍有偏差，模型学到的就是另一套规律；
- 标签由生成过程自动带出，省了人工，但如果生成逻辑本身有偏，偏差会被成倍放大；
- 真实数据里那些「脏」的部分——遮挡、模糊、标注歧义——恰恰是模型最需要见到的，而合成流程往往把它们过滤掉了。
所以常见的做法是把少量真实样本当作基准，用合成数据去扩充长尾，避免只依赖其中一种。真实样本负责校准，生成结果负责覆盖。
模型吃自己吐出来的东西
另一层顾虑来自训练的循环。当生成模型本身也是用网络数据训练出来的，再用它的产物去训练下一代模型，误差会累积。业内对此有过不少讨论，比较一致的说法是：不加约束地反复自我训练，数据分布会逐渐收窄，多样性下降，模型对边缘情况的反应变差。
缓解的方向大致是两条：保留足够比例的真实数据作为参照，对合成结果做筛选和去重。听起来都是常识，做起来需要额外的工程投入，容易被「先跑起来再说」的节奏挤掉。
用在哪里更稳
合成数据并不是通用解。它更擅长那些规则清晰、可以物理建模、或者真实样本天然稀缺的场景，比如工业缺陷检测、极端路况仿真、机器人操作的动作数据。反过来说，涉及真实人类表达、需要细腻语境判断的任务，靠合成补出来的部分往往经不起推敲。
还有评测这一环。如果测试集里也混进了合成样本，指标会好看，但那只是自己给自己出题。评估用的数据，最好保持独立来源。
我的判断是，合成数据更像是一种成本结构的调整，而不是数据问题的终结。它把「采集」的难题换成了「验证」的难题——以前愁没有样本，现在愁样本可不可信。后一个问题更难，因为它不会在流水线上显形，只会在一段时间后的线上表现里慢慢露出来。愿意在这一步多花工夫的团队，才真正拿得到它的好处。