一个做工业视觉的团队，想训练模型识别罕见缺陷。真实产线里，这类样本出现得少，采集周期长，标注也吃力。于是他们先做一批合成图像，把划痕、偏移、光照变化拼进去，再混入有限真实样本训练。这个场景并不新，却很能说明问题：合成数据不是用来证明技术时髦，而是用来解决“样本不够”的具体麻烦。
它补的是缺口，不是替代真实
合成数据通常指由程序生成、仿真环境产出，或经过模型变换得到的数据。它的价值在于可控：可以指定类别、角度、背景和噪声，也能覆盖真实采集中不常出现的情况。对团队来说，这意味着迭代节奏不必完全被采集进度拖住。但可控也带来一个陷阱：生成者容易把自己以为的规律写进样本，模型学到的可能只是生成规则，而不是现实世界的分布。
所以我愿意把它看成“补位材料”。它能填样本空缺，能暴露模型对某些扰动的敏感，也能在早期验证流程里降低试错成本。但它很难单独承担全部训练任务。真实数据里的杂乱、偶然和设备差异，往往不是仿真器能完整复现的。
先问评估，再谈生成
讨论这类数据时，生成工具常被放在前面。实际工作中，可以先问：怎么判断它有用？如果只拿合成验证集合评估，模型可能看起来可以，换到真实场景却失效。一个务实做法，是保留一批未参与生成的现实样本做检验，并观察模型在不同采集条件、不同设备状态下的表现。
- 先明确要补哪类缺口：是类别缺失、场景缺失，还是标注噪声。
- 把生成参数和真实采集条件对齐，别只追求画面逼真。
- 保留独立验证集，避免用生成逻辑证明生成逻辑。
- 记录合成与真实样本的配比，便于复现和排查。
这些做法不复杂，但需要耐心。它的成本不只在于生成，还在于筛选、清洗、标注和回归测试。生成一批图很快，判断它们是否引入偏差却慢。
边界往往很具体
在目标明确、规则可描述的任务里，合成数据往往容易发挥作用，比如形状固定的零件检测、固定视角下的流程识别。到了开放场景，人的行为、天气、遮挡和长尾变化交织，生成器很难覆盖完整。此时一个做法，是用它做压力测试和补充训练，而不是期待它一次性解决样本问题。
另一个容易被忽略的点是合规与责任。合成样本可能包含对现实人群或场景的模拟，生成和使用的边界需要提前说清。团队内部至少要有人能回答：这些样本从哪来、经过什么变换、会被用于什么环节、出问题如何追溯。问题不一定要很重，但空白不能留太久。
回到开头那个视觉团队，它帮他们缩短了早期试验周期，但能否上线，仍取决于真实样本上的表现和持续回归。它像一块垫脚石，能让人跨过眼前的沟，却不该被当成整条路。对多数团队来说，从具体缺口开始做小规模验证，是一种务实路径。