做视觉检测的团队常遇到一种尴尬：正常样本容易收集，真正想识别的异常却稀少，而且标注成本不低。于是有人把希望寄托在合成数据上——用仿真、规则或生成模型造出一批样本，让模型先“见过”更多变化。这个思路有吸引力，但真正落地时，问题往往不在“能不能造”，而在“造出来的东西是否可信”。
它补的是缺口，不是热闹
它听起来像新概念，实际做法很朴素：在虚拟环境里渲染不同光照、角度和遮挡，或者用生成模型扩增稀缺样本。它擅长处理长尾场景、隐私敏感数据和标注困难的数据。但生成过程本身会带入假设：仿真器的物理参数、生成模型的训练分布、标注规则，都会影响结果。若把这些假设当成真实世界的全部，模型很容易在实验室里表现不错，到了现场却失灵。
验证比生成更费劲
很多讨论把注意力放在生成工具上，真正难的是验证。合成样本是否覆盖了关键变化？它与真实采集之间是否存在系统性偏差？模型在合成数据上获得的提升，能否迁移到真实场景？这些问题没有一劳永逸的答案。比较稳妥的做法，是保留真实数据作为独立检验集，把合成样本看作训练素材的一部分，而不是全部。对高风险场景，还需要记录生成来源、参数和筛选过程，让后续复现和审计有据可查。
边界清楚，使用才安心
合成数据也不是没有代价。生成、筛选、标注和验证都需要投入，低质量样本还会放大偏差。更现实的问题是责任：当模型出错时，很难只说“训练样本是造的”。因此，使用前应明确边界：哪些场景适合补充，哪些必须依赖真实采集；哪些指标需要在真实分布上复核；哪些生成记录需要保留。它更像一种补位手段，而不是替代真实世界的捷径。
回到开头那个场景，合成数据能帮团队跨过样本稀缺的门槛，但跨过去之后，仍要用真实世界校准方向。对它保持期待，也保持怀疑，可能比追逐工具更重要。