合成数据

合成数据是什么

合成数据（Synthetic Data）是由算法、模型或规则生成的人工数据，用于替代或补充真实数据完成训练与测试。比如用大模型生成的问答对、用 3D 渲染生成的自动驾驶场景图片。

它不是"假数据凑数"，而是有目的地构造"现实中难获取、或数量不足"的数据。

为什么重要

• 扩大规模：真实数据不够时快速补足
• 保护隐私：用生成数据替代敏感个人信息
• 覆盖长尾：生成罕见场景（事故、极端天气）
• 降低成本：标注真实数据昂贵，合成可自动化

生成方式

• LLM 生成：用大模型生成文本、问答、代码样本
• 渲染仿真：3D 引擎渲染图像、视频（自动驾驶常用）
• 对抗生成：GAN 等模型合成逼真样本
• 规则构造：按业务规则批量生成

风险与注意

• 分布偏差：合成数据可能偏离真实分布，导致模型失真
• 模型塌缩：过度用 AI 生成数据训练 AI 可能退化（Model Collapse）
• 验证：合成数据需与真实数据混合使用并评估

一句话总结

合成数据是大模型时代的"数据扩增器"：解决稀缺、隐私与长尾问题，但必须与真实数据配合并谨慎验证，避免"自我复制"式退化。