合成数据

合成数据是什么？

简单说，就是 AI 自己「编」出来的数据。它用真实数据学懂规律后，再批量生成一批「长得和真的一模一样」的新数据——有同样的结构、同样的分布，但里面没有真实的人和事。就像用真人照片训练出一个「造脸」模型，再生成无数张不存在的人脸。

为什么需要「假数据」？

真实数据又贵又难拿
医疗影像、金融交易、罕见病病例，要么稀缺，要么受隐私法规限制，根本拿不到足够多。
合规风险高
拿真实用户数据训练，一旦泄露就是大麻烦。合成数据不含真人的信息，天然规避了很多隐私问题。
可以定向造数
想训练一个「识别雨天交通事故」的模型却缺样本？可以直接生成成千上万张雨天事故图。

它怎么造出来的？

常见做法是让模型先学真实数据的分布，再用生成模型（比如扩散模型、生成对抗网络）批量产出。也可以让一个大模型根据规则「写」出合成文本，用于训练小模型。

它的局限

合成数据再像，也是从真实数据「抄规律」。如果源数据有偏差，合成数据会原样放大这个偏差；过度依赖它，模型还可能「越练越笨」，学出一堆自己编的幻觉。

一句话记住：合成数据就是 AI 自己「造」的假数据——省了隐私的麻烦，也扛下了「以假练真」的风险。