一个做视觉检测的团队在整理第三版训练集时发现，能用的图反而比上一版少了。重复帧、模糊样本、来源说不清的素材占了大多数，真正稀缺的是那几类少见缺陷——产线上一年也未必能拍到几十张。清理到最后，问题不再是“模型够不够好”，而是“数据还够不够用”。
这种情况正在变多。公开语料被反复抓取，清洗与授权的成本往上走，而业务真正需要的长尾样本本来就稀少。于是合成数据被重新摆到桌面上：不再只从现实里“捡”，而是按需要“造”。
造出来的样本，标签几乎免费
常见做法大致有几类。规则渲染，把光照、材质、视角参数化，批量出图；仿真环境，让物体在虚拟世界里运动、遮挡、碰撞；还有生成模型，根据提示或参考样本产出图像、文本、语音。它们共同的特点是，标签在生成的那一刻就写进去了，不需要人工一张张标注。
这也是它被看好的直接原因。标注贵、慢，还容易前后不一致；而生成一次之后，边界框、掩码、类别可以随样本一起产出。对需要精确位置信息的任务来说，这一点相当实用。
便宜的是标注，贵的是验证
问题在于代价并没有消失，只是转移了。合成数据真正的成本不在生成，而在判断它是否可信：仿真与现实的差距有多大，纹理、噪声、传感器特性是否被还原，模型学到的是物体的本质，还是渲染器的习惯。
更麻烦的是评测。如果用生成的数据去测在用生成数据训练的模型，等于自己给自己出题，分数好看但没有意义。比较稳妥的做法是保留一条只由真实样本构成的评测线，不让它参与训练，也不让它被合成内容稀释。
- 先小范围试：挑一个真实数据最缺的类别，看加入合成样本后评测是否真的改善。
- 留锚点：真实样本始终占一定比例，用来校准分布。
- 记来源：记录生成参数、版本与时间，出问题时能回溯。
- 防塌缩：生成模型若长期只吃自己产出的内容，多样性会收窄，误差也会被继承。
最后一条值得多说一句。当训练数据里混入越来越多由模型生成的内容，模型实际上是在学习自己的影子。短期看不出问题，长期可能表现为对罕见情况的迟钝。这不是危言耸听，而是需要被当作工程约束对待的事情。
所以它更像填补空隙的材料，而不是替代品。合成数据把问题从“有没有数据”换成了“能不能说清数据是怎么来的”——后者更难，但也更接近可用的答案。