在一个视觉检测项目里，正常样本容易收集，缺陷样本却总是稀稀落落。团队会想到用生成模型造一些“看起来像”的缺陷图像，再把它们混进训练集。这类做法常被归入合成数据：不是从现实直接采集，而是由规则、仿真或模型生成，并带有某种标注或可控属性。
但它并不是把数据量做大这么简单。真实数据记录的是已经发生的事，合成数据则把人的假设写进样本里。假设偏了，模型学到的也会偏，而且偏得更整齐。
它解决的是覆盖问题，不是数量问题
谈合成数据时，容易被“数据不够”带偏。很多团队缺的不是海量图片，而是特定条件下的样本：少见光照、遮挡、极端姿态、故障形态。生成或仿真可以把这些条件显式地摆出来，让模型在训练阶段见到平时难以采集的情形。它的价值在覆盖，而不只是填充。
另一个常见动机是隔离敏感信息。真实记录往往包含个人信息或业务细节，直接流通有顾虑。经过脱敏和重构的合成样本，可以在一定程度上降低暴露风险。不过，“合成”不等于“匿名”，生成过程仍可能记住原数据特征，使用前需要评估。
生成方式不同，风险也不同
- 规则与仿真生成：靠物理模型、渲染或程序化规则造样本，可控性强，但场景设计依赖领域知识。
- 生成模型合成：用扩散模型、生成对抗网络等学习数据分布，再采样新样本，适合图像、文本和语音，但要防止模式坍塌与语义漂移。
- 混合增强：在真实样本上做变换、重组或局部替换，介于采集与生成之间，常用于补充边界条件。
这些方式共同的问题是来源与质量控制。样本是否覆盖目标分布，标注是否可靠，生成参数是否记录，都会影响后续训练和复现。没有来源记录的合成数据，很难判断模型到底学到了什么。
把它放进训练流程，而不是替代流程
一个克制的做法，是把它当作训练配方中的一项变量：先明确缺口，再决定生成什么；把真实数据与合成数据分层管理；在验证集上保留未参与生成的样本，观察模型是否只在合成分布上有效。对生成样本做抽样审查，记录生成器版本、提示条件或仿真参数，也比单纯追求数量可靠。
偏差同样需要正视。生成模型会放大训练素材中的偏向，合成数据又常常由人设定场景，二者的假设叠加后，可能让模型对某些条件过度适应。解决方法不是回避合成，而是让评估集尽量贴近真实使用环境，并对失败样本做归因。
我的判断是，合成数据适合处理稀缺、敏感和可控实验条件，不适合用来掩盖数据治理的欠账。它能把一个问题暴露得更清楚：团队到底知不知道自己缺什么。回答不了这个问题，生成再多样本，也只是把噪声换了一种外观。