设想一条表面缺陷检测的产线：某种瑕疵一个月才出现几次，相机拍到的真实样本凑不满一屏缩略图，而模型要学的恰恰是这几种少见形态。继续等，产线等不起；拿相近缺陷凑数，模型学到的边界又是错的。
这类时刻，工程师会转向合成数据——用渲染、仿真或生成模型造出来、自带标注的样本。它不该被理解成“假数据”那种带贬义的说法，而是把“造样本”当成一项可控的工程动作。
不是凭空画出来的
常见的生成方式大致有三条路。一条是物理仿真与三维渲染：知道光照、材质、相机参数，就能把缺陷的形状、位置、颜色按参数扫一遍，标签天然准确。一条是规则与模板合成：把目标贴进不同背景，做几何与色彩扰动，成本低但容易失真。还有一条是生成模型采样，从学到的分布里取样，形态更自然，但对采样过程的控制要难一些。
三条路的共同点在于：样本的“难”可以被设计。想让模型在逆光、遮挡、脏污背景下都稳，就把这些条件显式写进生成参数，而不是指望真实数据里恰好出现。
它真正补的是稀缺，不是数量
合成数据最实用的地方往往不在“多”，而在“缺”。真实数据难以覆盖的角落通常集中在几处：长尾情形样本极少；采集危险或代价高昂；素材涉及个人信息，不便直接流通；人工标注一轮又一轮，时间和预算都吃紧。合成样本的标签随生成过程一并产生，省掉了核对环节，也让“按需制造”成为可能。
- 补长尾：把少见形态按参数扩展开，而不是靠运气碰上。
- 补场景：逆光、雨雾、遮挡这类条件可以显式指定。
- 补合规缺口：用不含真实个体的素材替代不便流通的原始记录。
几道绕不开的坎
一道坎是分布偏移。生成器再精细，也带着它对世界的简化假设；真实相机有噪点、有压缩、有装配误差，这些细节常常不在渲染管线里。模型在合成域学得好，换到真实域表现下滑，这类落差在业内并不新鲜。
另一道坎是验收。比较稳妥的做法是留出一份干净的真实测试集，只用来验收，不参与训练，也不被合成样本污染。否则很容易变成自己出题自己考，指标好看，落地发虚。
还有一道是循环。若生成模型本身又用大量合成样本训练，取样结果的多样性可能逐渐收窄。业内对此有讨论，结论并不统一，但工程上值得警惕：生成器的训练来源要有记录，能追溯。
更现实的问题是怎么配比
实践中很少有“全用合成”或“完全不用”的极端选择。更常见的是分层混合：真实样本守住分布主干，合成样本补边角；按难度、按场景分别设定比例，而不是笼统定一个百分比。生成参数、随机种子、渲染配置最好一并留档，否则半年后没人说得清某个批次是怎么来的。
我更愿意把合成数据看成一种“制造稀缺”的能力：价值不在产量，而在于让人能精确造出真实世界里稀少、昂贵或不便获取的情形，并且知道每一份样本为什么长这样。用好的前提，是始终保留一条通往真实世界的验收通道。当这条通道本身也开始依赖合成样本时，问题才真正变得有意思。