夜里调试一个视觉识别原型时，常遇到的问题不是模型不会认，而是某些画面根本拍不到。比如侧逆光下的反光标识、被遮挡半边的设备、雨雾里模糊的轮廓。真实采集要等天气、等场景、等授权，标注也未必稳定。团队于是把一部分希望寄托在合成数据上：用仿真环境、规则生成或生成模型造出样本，再配上较可控的标签。
它补的不是数量，而是缺口
把合成数据理解成“多造一些图”很容易走偏。它真正有价值的地方，是补上真实采集里稀缺、危险或难以标注的边角场景，让训练集不那么偏斜。生成过程也能把标签一并带出来，减少人工标注中的不一致。但这类样本带有生成器留下的痕迹：光照、纹理、噪声分布都可能与真实世界有差距。模型在合成样本上表现顺滑，不等于到了现场仍然可靠。
先问清它替谁承担风险
所以讨论合成数据时，我更关心它被放在哪个环节。若用于扩充长尾场景、做回归测试、给标注团队提供预演样本，它的作用比较清楚；若直接把它当作真实采集的替代品，风险就会被悄悄转移到部署之后。一个常见误区，是只用合成集验证合成集，指标看起来整齐，域差距却被遮住。更稳妥的做法，是保留一小批真实样本作锚点，持续比较分布和错误类型，再看合成部分是否真的带来增益。
边界比口号重要
还有两个边界需要提前说清。其一是来源与授权：生成模型本身的训练素材、仿真环境的资产、人物与场景的许可，都应有可追溯记录，不能因为“不是实拍”就默认没有约束。其二是评估责任：合成样本能覆盖多少现实变化，谁来判断覆盖得够不够，出了问题如何回溯到数据构造环节。这些工作不显眼，却决定它能不能进入稳定流程。
我的判断是，合成数据更适合做真实数据的补丁和压力测试，而不是一句“替代真实采集”的口号。它让团队在稀缺场景前多了一种手段，也把数据治理的问题提前摆到桌面上。真正值得投入的，不是生成更多样本，而是建立一套能发现偏差、能复核来源、能回到现场验证的流程。否则，样本越造越顺，离现实也可能越远。