什么是合成数据？

合成数据（Synthetic Data）是指由算法、仿真程序或 AI 模型“凭空制造”出来的数据，而非直接从现实中采集。它的核心目标是：在统计规律和分布特征上尽可能接近真实数据，同时不含任何真实的个人信息或商业机密。

举个通俗的例子：要训练自动驾驶模型识别行人，真实数据需要大量车辆上路拍摄，成本高，还涉及路人肖像权；而借助仿真引擎或生成模型，可以批量“造”出上万张不同天气、光照、姿态的虚拟行人图像，模型照样能学会“行人长什么样”。这些虚拟图像就是合成数据。

OpenAI 前首席科学家 Ilya Sutskever 在 2024 年 NeurIPS 大会上预言：预训练数据即将耗尽，合成数据将成为未来出路。随着网上公开语料被“用完”，合成数据正从可选项变成必选项。

合成数据是怎么生成的？

主流技术路线有三条：

• 统计建模与仿真：基于规则和数学模型模拟真实场景，例如自动驾驶仿真道路、虚拟传感器读数，可控性强但逼真度有限。
• 生成式模型：用 GAN、扩散模型学习真实数据的分布，再“反向生成”全新的图像、语音、视频，逼真度高但可能有偏差。
• 大模型自生成：用大语言模型批量生成问答对、推理链、代码等文本，效率最高，是当前大模型训练最主流的做法，常被称为“数据蒸馏”。

合成数据与真实数据的关键差异：

代表产品与工具

合成数据已形成从通用大模型到垂直工具的生态，国内可直连的代表性产品包括：

• DeepSeek：其 R1 推理模型公开的“思维链”数据被业界广泛用于蒸馏训练，是“用 AI 造训练数据”的标志性案例，大量团队基于其开源模型生成推理语料。
• 通义千问：阿里开源的 Qwen 系列是国内最常被用于批量生成指令微调数据的基础模型之一。
• 智谱 GLM：支持结构化输出与批量调用，企业常用它生成表格、对话、评测等合成语料。
• Kimi（月之暗面）：擅长长文本，可把长文档转写为问答对、摘要等训练素材。
• 豆包与即梦（字节跳动）：豆包大模型可生成对话、文案类语料，即梦负责合成图像，覆盖文本与视觉两类生产需求。
• 可灵（快手）：视频生成工具，可产出合成视频片段，服务于视频理解与生成模型研究。

数据服务层面，海天瑞声、云测数据等厂商提供“采集＋合成＋标注”一体化方案；国际上则有 NVIDIA Omniverse Replicator（三维仿真数据生成）、Gretel、Mostly AI 等知名工具。

典型应用场景

1. 大模型训练与蒸馏：用强模型生成问答和推理链数据来训练小模型，缓解高质量语料短缺。
2. 自动驾驶与机器人：在仿真环境中生成暴雨、鬼探头、事故等极端场景数据，安全又省钱。
3. 金融风控：生成欺诈交易样本，弥补真实欺诈数据稀少导致的模型“偏科”。
4. 医疗与医药：在保护患者隐私的前提下扩充罕见病例影像，辅助诊断模型训练。
5. 开发测试脱敏：测试环境用“以假乱真”的数据替代真实用户数据，避免泄露。

常见问题

合成数据不含真实信息，就等于隐私安全吗？

不一定。理想情况下，合成数据“分布相同、个体不同”，不应包含可识别的真实个人；但如果生成模型过拟合、记忆了训练样本，仍可能泄露个别真实记录。因此规范的合成数据需要通过差分隐私、成员推断测试等隐私评估，并非“生成即安全”。

AI 用 AI 生成的数据训练自己，会不会越练越差？

确实存在这种风险，学界称之为“模型自食”或“模型崩塌”：反复用自身输出训练，数据多样性会逐渐丢失，错误被不断放大。解决办法是让合成数据与真实数据按比例混合，并引入人工校验和外部信号为模型“纠偏”。

合成数据未来会完全取代真实数据吗？

大概率不会。更可能的格局是混合使用：真实数据负责锚定事实与分布，合成数据负责扩充规模、覆盖稀缺场景、控制隐私风险。对多数团队来说，它不是替代品，而是真实数据的高效“放大器”。