数字化转型推进到今天，企业遇到的瓶颈往往不再是系统建不建，而是“喂不饱”算法和模型的数据从哪里来。真实数据受限于采集成本、隐私合规和长尾场景稀缺，覆盖率始终有限。合成数据——由算法生成、用于训练与测试的仿真数据——因此被越来越多企业纳入数据供给体系。
为什么是现在
三个变化叠加，把合成数据从实验室推向生产线。
- AI训练数据需求暴涨。大模型与行业模型对样本量的要求在几年内提升数个量级，公开语料趋于见顶。
- 合规压力上升。个人信息保护法、数据出境规则以及行业监管，让跨机构共享真实数据变得昂贵。
- 长尾场景难采集。设备故障、欺诈交易、罕见病等低频事件真实样本稀缺，合成是可行的补充手段。
落地从哪几个场景开始
目前落地较成熟的场景集中在四类。一是自动驾驶与机器人，需要大量极端工况下的感知数据；二是金融风控与反欺诈，用于扩充欺诈样本、做压力测试；三是医疗与生命科学，在脱敏前提下生成影像与病历样本；四是企业内部，用于客服、运维等场景的模型微调与系统测试数据构造。这些场景的共同点是：真实数据要么太贵、要么不能给、要么压根不存在。
风险不在生成，而在治理
合成数据并非免费的午餐。首先是质量问题，生成样本可能引入偏差，或与真实分布偏离，导致模型在真实环境中失效。其次是“模型崩溃”风险，若长期用合成数据训练新一代模型，数据多样性会逐步退化。第三是溯源与追责，一旦合成数据进入训练链路，数据血缘、标注来源和责任边界都需要可查可验。
从工具到规范
企业的普遍做法是先定规则再上工具：明确哪些场景允许使用合成数据、合成与真实数据的配比、质量评估指标，以及必须保留的数据血缘记录。有条件的企业会设置独立的合成数据评估环节，用小规模真实数据做交叉验证。工具层面，开源生成框架与商业平台已能覆盖图像、文本、表格等多种模态，使用门槛明显下降。真正的难点仍在组织层面：数据、算法、合规三方需要共同定义“什么样的合成数据可用”。
可以预见，合成数据不会取代真实数据，而是成为企业数据供给结构中的一层。谁能把这层数据管好、用好，谁就更有可能在数字化转型的下半场保持迭代速度。