做工业视觉的团队常遇到一种尴尬：产线上某些缺陷几个月才出现一次，真实图片凑不满训练集。于是有人把希望寄托在生成式工具上，用渲染、仿真或扩散模型造出一批“看起来像”的样本。合成数据这个词，也就在这类场景里被频繁提起。
它并不是简单的“假数据”。更准确地说，合成数据是按已知规则、物理约束或生成模型构造出来的样本，用来覆盖真实采集难以触达的角落。对稀缺类别、极端光照、遮挡组合，这种做法有现实吸引力：成本可控，标注边界清晰，还能反复调整参数。
问题也在这里。生成器只懂你写进去的假设。若缺陷的成因没被建模，造出来的图片可能只学到表面纹理；模型在训练集上表现漂亮，换到产线却认不出真正的异常。更隐蔽的风险是评估污染：训练和验证都用了同一套生成逻辑，指标会显得稳定，但这种稳定并不等于现场可靠。
先问清楚：它补的是哪一段缺口
我的判断是，合成数据适合承担“覆盖长尾”和“预训练热身”的角色，而不是无条件替代真实采集。团队在引入前，至少要回答三个问题：目标类别在真实世界里长什么样？生成过程引入了哪些偏差？用什么真实样本做最终校验？
- 把生成参数、随机种子和筛选规则记录下来，方便回溯，而不是只保留一批图片。
- 保留一组只在真实场景采集的验证集，不参与任何生成式增强，用来观察泛化表现。
- 关注失败样本的分布，别只看整体指标；合成数据放大的往往是标注者没意识到的假设。
还有一层边界常被忽略：合成数据会改变团队的工作节奏。过去采集数据要等产线、等工况，现在可以在工位上批量生成，速度很快，也容易让人误以为数据问题已经解决。实际上，生成只是把难题前移到假设设计：你得先知道要模拟什么，才知道该生成什么。
所以，面对合成数据，不妨少问“能造多少”，多问“造出来的东西替我们回答了哪个具体问题”。如果答案只是让训练集变大，它可能只是让错误更晚被发现；如果答案是补上了某类真实样本的空白，并且有独立验证兜底，它才值得进入流程。