先别急着生成，先看缺口在哪
设想一个做工业视觉检测的团队，正常样本容易采，缺陷样本却稀疏。停机、换料、光照变化都会让缺陷形态变得零散，靠人工摆拍很难覆盖。此时把问题直接交给生成模型，往往不是起点。更实际的做法是先拆缺口：缺的是样本数量，还是场景多样性，还是标注一致性？不同缺口对应不同手段。规则模板可以补结构化样本，物理仿真可以补几何与光照变化，生成模型适合在已有分布附近做扩展。若缺口来自真实世界尚未出现的极端情况，生成出来的内容只能算假设，不能当作证据。
它省下的是采集时间，不是验证责任
合成数据常被描述成低成本方案，这个说法只说了一半。生成一批图像或文本并不难，难的是证明它们对训练有用。团队需要保留真实测试集，做交叉评估，观察模型在真实分布上的表现是否稳定。更隐蔽的成本在迭代：生成参数一改，样本分布就变，之前的评估结论可能失效。于是数据工程从“采一批、标一批”变成“生成—筛选—验证—再生成”的循环。循环跑得顺，它就是加速器；缺少验证环节，它只是把噪声换了一个来源。
分布偏移与隐私，不会因为“合成”自动消失
生成模型学的是已有数据的统计规律。真实数据里的偏差、采集盲区、标注习惯，会被一并学进去，再以看似多样的样本返回。若训练过度依赖这些样本，模型可能在一个自我强化的闭环里打转：生成器补上了模型偏好的模式，模型又反过来偏爱生成器的输出。隐私也是同理。合成样本不等于匿名样本，生成模型可能记住训练集中的细节，需要通过成员推断、近邻比对等手段做检查。把合成数据直接当作隐私保护方案，风险不小。
把它放在合适的位置
更稳妥的用法，是把它放在训练辅助、冷启动和压力测试的位置：用少量真实数据锚定分布，用合成样本扩充边缘情况，再用独立真实集做验收。对需要高置信度的场景，合成数据可以参与开发，但不应单独承担验收责任。团队还要记录生成规则、版本和筛选标准，否则过几个月很难解释某批样本为什么被采用。
回到开头那个工业检测团队，真正要回答的不是“要不要用生成”，而是“哪一类缺口允许用生成来补”。合成数据不是真实世界的替代品，更像一面可调节的镜子：它能照出你关心的变化，也会照出你忽略的偏差。用之前先想清楚验收标准，比生成多少张图更重要。