一条产线一年也出不了几次的瑕疵，样本凑不满一个文件夹。工程师的办法是把缺陷“画”出来：换材质、调光照、加遮挡，渲染出一批图，混进训练集里。模型见得多了一点，误检少了一点，但没有人敢说它真的见过那种缺陷。
这是合成数据最常见的用法——不是替代真实，而是去补真实数据够不着的地方。
它解决的核心问题不是“多”，而是“偏”
真实数据集的麻烦常常不在体量，而在分布。绝大多数样本集中在常见情形里，真正要紧的那一小撮，恰恰因为罕见、危险、昂贵或者涉及隐私，很难被采集到。此时继续堆量意义有限，补上一批可控的、按需生成的样本，反而是更直接的路子。
可控是关键。生成过程可以指定视角、光照、遮挡程度与噪声水平，把“万一出现”变成可以反复复现的实验条件。标注也随之变得便宜——因为标签是生成时就知道的，不必再靠人去框、去标、去对齐。
还有一类场景里，合成几乎是唯一选择：涉及个人信息的图像、需要极端工况的测试、以及现实中不方便反复触发的失败状态。
一个绕不开的循环
麻烦在于，生成数据的往往是模型，被训练的也是模型。用前者喂养后者，很容易变成自我引用：学生学的是老师已经相信的东西，错误被一并继承，还可能被放大。更隐蔽的是评估环节——如果验证集同样来自这套生成流程，指标会很好看，但那只是同一套假设在自证。
实际工程里更稳妥的做法，是把合成数据放在预训练阶段，用少量真实数据做最后的校准与验收；或者反过来，先用真实数据找出模型的错处，再针对性地补生成。顺序不同，结论可能完全不同。
还有一层是保真度。渲染出来的图像在纹理、边缘、光照一致性上总有痕迹，模型可能学会了识别这些痕迹，而不是识别目标本身。这类捷径一旦形成，换成真实输入就会失灵，而且很难从训练曲线上看出来。
边界大致在哪里
- 适合的：罕见事件与长尾情形、隐私受限的数据、物理规律清晰可仿真的场景、标注成本高到不划算的任务。
- 要谨慎的：依赖真实人类行为与语义细微差别的任务，合成很难还原那种模糊性；对细节保真要求极高的检测；以及需要证明数据来源与授权链条的合规场合。
所以真正的判断标准不是“像不像”，而是“拿它训练出来的东西，在真实世界里错在哪儿、错得是否可以接受”。这个问句没有通用答案，只能在具体任务上一遍遍验证。
合成数据不是免费的午餐。它是一份需要被审计的中间产物：要知道它由什么假设生成，覆盖了哪些情形，又刻意忽略了哪些。把这些说清楚，它才是一块可用的补丁；说不清楚，它就只是把真实世界的偏差，换了一种更体面的方式藏了起来。