一个做视觉检测的团队遇到过这样的处境：某种零件表面的细划痕一年只出现几十次，两年攒下的真实图片仍不足以训练出稳定的识别模型。他们换了条路——用渲染工具把这类型划痕“造”出来，调材质、调光照、调拍摄角度，生成数千张带标注的图像，再和真实样本混在一起训练。这批人造图像，就是通常说的合成数据。
它填补的通常是缺失部分，而不是数量
把这批图像理解成“数据不够就多造点”，容易走偏。它真正起作用的地方，是那些真实数据原本就缺失的位置：出现频率极低的异常样本、涉及个人隐私不便采集的记录、成本高昂或难以复现的场景。这些缺口靠延长采集时间往往填不上，靠人工标注也解决不了，因为问题出在样本本身难以获得。
从这个角度看，它的价值不在规模，而在能不能覆盖到真实数据碰不到的那一角。
“看着像”和“用得上”是两件事
生成一张逼真的图片，今天并不难。难的是让这张图在统计上与真实分布对得上。渲染或生成过程中，光照、噪声、材质反射这些细节很容易被简化，模型学到的可能是生成器所在那个世界的规律，而不是真实世界的规律。等到上线，遇到真实的相机、真实的灰尘、真实的反光，效果就掉下来。
所以判断合成数据是否合格，通常不看它多逼真，而看两件事：一是它是否补上了原本缺失的样本类型；二是在只由真实数据构成的验证集上，加入它之后效果是升还是降。后者尤其关键——评测集最好保持真实，否则等于用自己出的题考自己。
自我循环这件事，值得警惕
更微妙的问题出在迭代上。当模型生成的内容被当作训练素材再次喂回模型，误差会一轮轮累积，分布逐渐收窄，最终模型对真实世界的响应变得单一。这种退化不会在第一次就暴露，往往要经过几轮之后才显现。缓解的办法不算复杂：控制合成样本在训练集中的比例、保留足量的真实样本作为基准、每一轮都重新引入新的真实数据。听起来是工程细节，实际上决定了这条路能走多远。
落到操作上，几条朴素的原则
- 先明确缺什么，再决定造什么。没有具体缺口的合成，多半只是增加噪声。
- 合成样本与真实样本的比例需要实验确定，没有通用数值。
- 验证集和测试集尽量只用真实数据，保住衡量的基准。
- 记录生成参数与版本。这类素材一旦规模上来，可追溯性比想象中重要。
- 对涉及个人信息的场景，合成不等于脱敏，仍需单独评估。
回到开头那个团队。他们后来把渲染数据的比例压到三成左右，剩下的仍靠真实采集，模型在产线上的误检率才稳定下来。这个结果谈不上惊艳，但它说明了一件事：合成数据更像是一种补位手段，而不是替代方案。它的边界由真实数据的边界划定——真实数据越难获得的地方，它越有用；反过来，当真实数据充足时，花力气去造，收益往往有限。
真正需要想清楚的，或许不是“能不能合成”，而是“我们到底缺哪一种样本，以及缺的那一种，造出来算不算数”。