训练模型的人常遇到一种尴尬：想要的场景真实世界里有，却很难凑成可用样本。罕见故障、极端天气、少见交互，发生频率低，采集成本高，标注还慢。于是目光转向合成数据——用规则、仿真或生成模型构造训练样本。它听起来像捷径，实际更像一份需要验收的工程材料。
它解决的不是“数量”一个维度
把合成数据简单理解成“多造点图”或“多写点文本”，容易忽略它的真正价值。覆盖长尾、隔离隐私、降低标注依赖，是三件不同的事。真实采集很难穷尽的边缘情况，可以在受控条件下反复构造；当原始样本不便流转时，构造出的替代样本能降低直接使用敏感信息的风险；部分场景可以先由程序生成标签，再让人工抽检。但这些都有前提：构造规则要说得清，标签逻辑要经得起复核，使用边界要提前写明。
“像真的”不等于“可用”
生成模型擅长制造视觉上合理的内容，但训练要的不是“看起来像”，而是分布上补足、边界上可靠。若构造样本只重复模型已经学会的模式，它带来的增益会很有限，甚至会把原有偏差放大。另一个隐蔽的问题是验证：只用同源构造样本训练和评估，指标可能很好看，却无法说明真实场景表现。稳妥的做法，是保留一部分真实样本做独立检验，并记录合成数据的生成方式、覆盖范围和失败模式。
混合比例是手艺，不是公式
真实样本和构造样本怎么混，没有通用配方。任务简单、真实样本充足时，合成部分适合做补充；真实样本稀缺时，合成数据可以承担更多覆盖任务。比例需要跟着评估结果走，而不是一次定死。实践中，小规模试跑、分层抽样检查、对失败样本做归因，能把总量之外的问题暴露出来。还要留意模型对合成痕迹的依赖：有些样本在训练集里有效，换到真实环境却暴露出一致的伪影。
边界比口号重要
它不是免费午餐。它适合补足稀缺、隔离敏感、扩展覆盖，却不适合替代全部真实观察。把生成能力当成万能钥匙，容易忽略采样偏差、版权与合规、评估成本这些硬问题。务实的判断是：先明确要补哪个缺口，再决定是否构造、构造多少、如何验收。否则，数据量上去了，模型学到的可能只是另一套被精心包装过的偏见。