过去两年，大模型参数规模不断攀升，可用的高质量公开文本增速却明显放缓。有研究机构多次提示，互联网上的优质语料可能在数年内被用尽。当真实数据的边际供给越来越贵，合成数据从边缘话题走上台面，成为大数据供给体系里增长最快的一环。
三重约束推动合成数据上位
真实数据面临总量、成本与合规三重约束。医疗、金融等领域的原始数据因隐私要求难以跨机构流动，自动驾驶、机器人等场景又需要现实中罕见的极端样本。合成数据由模型或规则生成，既能部分绕开隐私限制，也能按需补足长尾分布。目前主流路径大致有三类：
- 生成模型路径：用扩散模型、大语言模型产出文本、图像、语音与结构化表格；
- 仿真引擎路径：在虚拟环境中批量生成传感器、交通与机器人交互数据；
- 规则统计路径：对小样本做分布拟合，定向扩增稀缺类别与罕见故障。
质量评估比生成更难
合成数据真正的成本不在生成，而在筛选与评测。业内逐渐形成一批组合指标——真实性、多样性、一致性、无泄漏。真实性看分布是否贴近目标场景，多样性看是否覆盖长尾，一致性看图文或标签之间是否自洽，无泄漏则要防止生成结果与评测集重叠。越来越多团队把合成数据纳入数据血缘与版本管理，用可观测指标监控其质量漂移，避免训练集在迭代中悄悄劣化。
模型自噬与偏见放大
风险同样清晰。若长期用模型生成的数据训练下一代模型，可能引发模型自噬，表现为分布收窄、尾部丢失、错误被反复强化。合成数据还可能放大原始数据中的偏见，在信贷、招聘等场景带来合规隐患。因此业界多主张混合训练：以真实数据为锚，合成数据做补丁，并保留人类抽检与红队测试，对高风险语料单独打标、单独审计。
落地场景正在铺开
自动驾驶企业用仿真里程替代部分实车路测，把稀缺的碰撞场景反复演练；金融机构用合成样本提升反欺诈模型的召回，同时规避客户信息外流；医疗团队在脱敏与合成之间寻找平衡，用于影像分割的预训练；制造业则把合成缺陷图用于质检模型冷启动。这些场景的共同点是真实样本稀缺、标注昂贵、隐私敏感，而合成数据恰好补上了这三块短板。
走向数据工程的常规环节
可以预见，合成数据不会取代真实数据，而是成为数据流水线中的标准工序：按需生成、自动评测、择优回流、持续监控。谁能把生成与评测的闭环做扎实，谁就能在数据供给趋紧的时代，为自己的模型留住一条稳定的补给线。