一个做视觉检测的团队，卡住的往往不是模型结构，而是那几百张“镜头带水珠的雨夜”照片。采不到，标不完，等不起。这类长尾场景，正是合成数据被反复提起的地方。
它补的是分布，不是数量
常见的误解是把它当成“数据不够就多造点”。实际价值更多在分布上：真实采集天然偏向容易拿到的场景，罕见的光照、遮挡、材质组合被系统性漏掉。渲染管线、仿真器、生成模型能把这些组合造出来，还天然带标注，省掉一遍人工对齐像素的功夫。数量只是副产品。
怎么造，决定了它能用在哪
- 基于物理的渲染：调光照、材质、相机参数，标注精确到像素，代价是“像不像”取决于建模有多细，细到哪儿算够，往往没人说得清。
- 生成模型出图：外观丰富，但标注要靠额外流程补，容易带进不一致，图越漂亮越难查错。
- 域随机化：不追求逼真，而是把变化范围拉大，让模型学会忽略无关因素。机器人抓取一类任务常走这条路。
真正的麻烦在验收
造出来的图看着好看，不代表对训练有用。如果分布和真实场景错位，模型学到的是生成器的偏好，而不是世界的规律。所以通常要留一份纯真实的评估集，并且这份集合不参与调参，否则等于自己考自己。
另一个隐忧是闭环：用模型筛合成数据，再用筛出来的数据训模型。看起来很高效，偏差却会被一层层放大，而这个过程在指标上往往是静默的。
一个务实的用法
我不太相信“全部换成造出来的数据”这类说法。更可行的做法是小比例混入、分阶段放量：先在造出来的样本上预训练打底，再用真实数据收尾；或者只针对稀缺类别补。比例和阶段得靠实验定，没有通用答案。
另外，样本的元信息值得记录下来——用了哪版渲染器、哪些参数、哪天生成、谁筛过。不然半年后回溯，没人说得清这批样本是什么来历，出了问题也无从复现。这件事听起来琐碎，但比多造几千张图更要紧。
它帮不上的地方
需要判断人的意图、依赖细微社会语境的任务，仿真很难覆盖，硬造只会让模型学到一种过度简化的世界。对合规敏感的数据，造数据能绕开一部分授权麻烦，但不等于没有责任——如果生成内容本身就侵权，问题照旧。
回到那个雨夜。合成数据能让模型先见过水珠和反光，但它见的是被描述过的雨。真实世界里雨怎么下、镜头怎么脏，还是得靠真实样本去校准。把它当成扩音器，而不是替代品，大概更接近它现在的样子。