车间里那台工业相机一天拍几万张正常件，次品一个月碰不到几次。算法团队把数据摊开：合格样本堆成山，缺陷样本用手指头数得完。瓶颈并不在模型结构，而在凑不齐足够多、足够刁钻的样本。这时候，讨论往往就转向合成数据。
缺的常常不是模型，是样本
标注成本不是线性的。常见情形便宜，罕见情形贵得离谱，越靠近真实世界的边缘，越难找人标、越难让标注者达成一致。靠人工再拍一遍也不现实——你没法预约一次偶发故障。于是有人把思路掉个头：与其等真实数据自然出现，不如按需生成。
它的长处是可控制，不是更像真的
生成图像做到以假乱真常被当作卖点，但工程上更有用的其实是可控。光照角度、材质反光、镜头畸变、遮挡比例、缺陷的位置和形状，这些参数能一个个拨动，生成一批条件明确的样本，标签天然准确，不需要人再判断一次。这类做法在视觉检测、驾驶仿真、语音唤醒等场景里已经比较常见：先用生成的方式覆盖住那些罕见的组合，再用少量真实数据校准。
换句话说，合成数据提供的是一种确定性：你知道这批图是怎么来的，也知道它想教会模型什么。
相似度是由表及里的陷阱
容易被忽略的问题是，人眼看着像，不代表模型学到的对。生成器会带着自己的偏好，把纹理、边缘、噪声分布成某种固定模式，模型很可能把这些模式当成捷径。结果是在生成出来的验证集上表现漂亮，换成真实相机拍出的图就散了。所以合成样本与真实样本混在一起时，比例、采样策略、验证集划分都得跟着改；验证集最好坚持用真实数据，并且和训练时见过的真实部分保持距离。
边界值得说清楚
- 真实世界的长尾分布不是靠想象能补齐的，没见过的失效模式仍然需要靠真实数据发现。
- 评测环节依赖真实数据，用生成样本自证，等于自己在给自己出题。
- 把缺失条件描述清楚是前提，描述不清的时候，生成只是把模糊放大。
合成数据替代不了的东西也值得说清楚。它更像一种补丁能力，用在你已经知道缺什么、并且能把缺失条件写下来的地方。先想明白缺口，再决定要不要造；这个顺序反过来，基本都会返工。