做视觉或语音模型的人，大多遇到过类似局面：目标类别稀少，采集成本高，标注口径还不统一。继续等真实样本，项目节奏被拖住；直接拿生成结果充数，又担心模型学偏。合成数据通常在这个缝隙里被提起。
它的核心不是“造出看起来很真的东西”，而是让样本带有可追溯的生成条件和标签。规则仿真、三维渲染、生成模型，都属于常见路径。区别在于，真实数据记录世界，合成数据更像按照需求配置的训练材料：要什么角度、什么遮挡、什么背景，可以提前设定。
先问能不能用，再问像不像
判断一批合成数据是否值得进入训练，单看画面质感容易走偏。更实际的做法，是把它拆成几个可检查的问题：它覆盖了哪些真实数据缺失的切片？标签与生成参数是否一致？会不会把生成器自身的偏差带进模型？在真实留出集上，指标是稳定还是只在合成分布里好看？
这些问题没有统一答案。合成数据适合补长尾、补罕见组合、补标注边界，却不适合无条件替代真实采集。一个稳妥的起点，是小比例混合：真实数据打底，合成数据补位，再保留一批未参与训练的真实样本做检验。混合比例不必追求一次定死，可以按误差切片逐步调整。
风险往往藏在“太顺”里
这类材料的一个隐蔽问题是，它太听话。生成条件由人设定，样本分布容易变得整齐，模型在训练集里表现平稳，换到真实场景却可能露怯。如果训练与评测都依赖同一套生成逻辑，评估结果会被放大成一种错觉。更麻烦的是，若模型持续吃进由同类模型生成的内容，偏差可能被反复固化，形成自我循环。
因此，生成记录和真实留出集同样重要。生成参数、随机种子、筛选规则、被丢弃的样本，都值得留下痕迹。不是为了追求文档完整，而是当模型出错时，能判断问题来自生成分布、标签口径，还是训练策略。它不是一次性库存，更像一份需要复盘的配方。
把它放在合适的位置
对多数团队来说，较现实的路径不是争论合成与真实哪个能包办，而是明确分工：真实数据负责校准，生成材料负责扩展；仿真负责可控压力测试，真实留出集负责最终判断。只要边界清楚，它可以成为采集周期里的缓冲带，而不是遮住问题的幕布。
它解决的是“样本不够、组合不全、标注不一致”的一部分麻烦，不解决对世界的全部理解。把它当工具，保留怀疑，也保留验证，这大概比追求以假乱真更接近可用的状态。