合成数据：为AI制造的高质量“虚拟营养”

一句话解释

合成数据就是人为制造的、并非来自真实世界记录的数据。它通过计算机程序、物理模型或生成式AI技术，模拟真实数据的统计特征和分布规律，用于代替或补充真实数据来训练、验证AI模型。

为什么会被关注

近年来，合规要求越来越严，很多行业获取真实用户数据面临隐私泄露和法律风险。同时，部分场景（如自动驾驶中的极端路况、医疗中的罕见病案例）真实样本极少，采集成本极高。合成数据能以较低成本生成大量覆盖各种边界条件的数据，而且可以灵活调整标注的精确度，因此成为AI工程化落地的关键工具。

核心逻辑

合成数据的核心思路是“无中生有，以假乱真”。通过统计建模、物理仿真或生成式模型（如GAN、扩散模型）学习真实数据的潜在分布，然后采样生成新的样本。关键要求是生成的数据在特征相关性、标注一致性以及分布多样性上足够接近真实场景，避免模型出现“仿真偏差”导致实际部署时失效。

常见场景

自动驾驶领域用合成数据模拟雨雪天、夜间、事故场景等长尾案例，补充实车路采的不足。医疗影像中利用生成模型创建病变样本，缓解罕见病数据稀缺问题。金融风控使用合成交易记录训练反欺诈模型，绕过真实用户隐私保护的合规障碍。此外，机器人仿真环境也大量依赖合成数据训练感知与操控策略。

容易混淆的点

合成数据≠数据增强：数据增强通常基于现有真实样本做旋转、裁剪等变换，不生成新样本；合成数据则是从零生成。合成数据≠模拟数据：模拟数据往往指通过物理引擎模拟环境（如游戏画面），而合成数据更侧重统计分布匹配。另外，合成数据不能完全替代真实数据——模型在合成数据上训练后，仍需少量真实数据进行校准和验证。