做模型的人大概都遇到过这种局面：场景已经想清楚，标注规范也写好了，真正卡住进度的却是数据。真实数据要采集、清洗、授权、脱敏，周期一拉长，实验节奏就被打乱。于是有人把目光转向合成数据。
但把它理解成“用程序造一批数据”并不够。更准确地说，它是在真实样本不足、不可得或不便使用时，通过规则、仿真或生成模型构造出的训练与测试素材。价值不在于数量，而在于能否覆盖那些真实采集很难触达的边角。
它补的是缺口，不是空白
这类数据通常被放在补位的位置：长尾场景、罕见组合、隐私敏感样本、标注成本高的任务。在视觉任务里，改变光照、遮挡和背景，比真实拍摄更容易控制变量；在对话系统里，构造多轮意图组合，也比人工编写更省力。但前提是，生成逻辑本身要经得起推敲。
一个常见误区，是把它当成真实数据的替代品。真实数据里有很多“不干净”的信息：噪声、歧义、标注者差异、设备偏差。这些恰恰是模型需要适应的。如果生成过程把这些都抹平，模型在实验室里表现平稳，到了真实环境却容易失准。
几个容易被低估的边界
分布偏移是常被提起的一项。生成器只能覆盖它“见过”或“被设定”的分布，真实世界却会冒出新的组合。训练集里看着丰富，放到线上可能仍然单一。
偏差放大也值得留意。如果生成规则隐含了某种偏好，模型会把它学得更彻底。合成数据不会自动中立，它只是把人的假设换了一种形式写进样本。
评估闭环则更隐蔽。用生成样本训练、再用同源样本测试，看起来闭环了，实际上可能只是自己验证自己。真实场景的校验不能省。
所以更稳妥的做法，是把它放进混合流程：真实数据定基线，生成样本补覆盖，真实场景做校验。比例没有通用答案，要看任务对长尾的敏感程度，也要看生成过程是否可解释。
说到底，合成数据不是让数据问题消失，而是把问题从“采不到”转移到“造得对不对”。这个转移是否值得，取决于团队有没有能力检查生成逻辑、评估分布差异，以及愿不愿意为校验付出成本。