设想一个做工业质检的团队：手上只有几百张缺陷图，每种缺陷不过十来张，标注一张要请老师傅盯着屏幕看很久。扩产线比扩数据集快得多。后来他们用生成模型造缺陷样本，一晚上出来几千张。问题也跟着来了——这些凭空生成的图，算训练材料，还是算训练噪音？
它补的不是数量，是分布的缺口
把合成数据简单理解成“多造点样本”，容易走偏。它更实际的作用是填补分布的空白：罕见工况、极端光照、少见的遮挡组合，这些在真实采集里可遇不可求。做法无非几类——三维渲染、物理仿真、生成模型、对真实样本做规则扰动。共同点是标签跟着生成过程一起来，省掉一部分人工标注；区别在可控程度，渲染和仿真能精确调参数，生成模型更像在模仿。
所以，判断一批合成数据有没有价值，该问的不是“像不像”，而是它有没有把训练集的覆盖面往外推了一点。如果只是重复已有样本的形态，数量再大也只是加权。
自我循环里最危险的部分
用模型输出喂养下一代模型，是合成数据最容易被滥用的做法。生成过程会放大自身偏差，几轮之后分布收窄，多样性下降，错误被当作事实继承下去。这个过程没有戏剧性，是安静发生的。
可行的做法是在循环里留锚点：真实数据始终保持一定比例，验证集不用合成样本，生成比例作为需要调整的参数来试验。听起来都是常识，但在赶进度的项目里，常识最先被牺牲。
难点卡在验证，不在生成
生成一批图、一段文本、一组对话记录，今天的工具已经足够便宜。难的是证明它带来了增益。常用办法是看下游任务指标有没有变化，做覆盖度统计，确认新样本落在原本稀疏的区域，再抽样人工核查标签是否可信。这三件事都要花时间，结论还经常是“没明显帮助”。
团队容易在这里自我说服：既然看起来很像，应该就有用。可“像”是生成模型的强项，也是它的盲区，它擅长复制表面的统计特征，不太擅长保证因果上正确。
哪些场景先别用
依赖真实人类行为、真实物理反馈、真实因果链条的任务，合成数据的替代性很有限。用模拟器造出来的交互，往往把研究者自己关于世界的假设也编了进去，模型学到的是假设，不是世界。另一种情况是合成成本反而更高：场景简单、采集便宜时，生成数据只是白绕路。
一个粗略的判断标准：如果合成样本能让模型在真实测试集上稳住甚至变好，它就有位置；如果只在合成测试集上表现好看，那大概率是在自娱自乐。
合成数据不是免费的自助餐，更像一种需要被审计的原料。它的价值不取决于生成技术多花哨，而取决于使用者愿不愿意在验证和配比上花点不够聪明却必要的功夫。