训练机器学习模型常遇到一个悖论：最重要的情况往往最少见。设备正常运行的记录很多，真正的故障只有几次；常规订单充足，异常退款样本稀少；机器人容易收集晴天画面，却很难安全地反复经历强眩光、遮挡和传感器失效。
合成数据试图补上这些空白。它不是简单复制真实记录，也不是给数据加随机噪声，而是按照规则、模拟器或生成模型构造新的样本。价值不在“生成了多少行”，而在是否覆盖了真实系统需要面对、又难以采集的条件。
## 三种合成方法解决不同问题
第一种是规则生成。开发者定义字段类型、取值范围、业务约束和事件顺序，再组合出测试样本。它最适合软件接口、数据库迁移和边界条件测试，因为每个异常都能被精确控制。
第二种是模拟器。物理引擎、交通仿真、数字孪生或渲染系统根据环境参数产生传感器数据。研究者可以改变光照、摩擦、位置、噪声和设备状态，并保留完全准确的标签。
第三种是数据驱动生成。CTGAN、TabDDPM 等方法从真实表格学习分布，再抽样出结构相似的新记录。图像、文本和声音也可以由生成模型产生。它适合复杂相关性难以手写的场景，但最需要检查记忆、偏差与分布坍缩。
三种方法可以组合。例如先用规则定义订单流程，再由生成模型填充自然语言描述；或由模拟器生成图像，同时用真实传感器噪声模型增加变化。方法越复杂，越要保留生成参数和来源。
## 创新从“场景规格”开始
很多项目的目标只是“把数据扩到十倍”。数量是一个容易完成、却与真实价值弱相关的指标。更好的起点是写场景规格：系统要完成什么任务，哪些条件会让它失败，哪些变量可以控制，正确答案如何获得。
以仓库视觉检测为例，场景变量可能包括纸箱尺寸、表面反光、破损位置、相机角度、堆叠高度、遮挡比例和照明闪烁。研究者不是随机生成漂亮仓库图，而是系统地组合这些变量，特别增加真实数据中缺少的边界情况。
每个合成样本应携带“出生记录”：生成器版本、随机种子、场景参数、后处理步骤和标签来源。没有这些信息，发现模型只在某类合成图上失败时就无法追溯。
## 场景一：用可控异常测试软件
在软件测试中，合成数据往往比生成式模型更早发挥作用。日期边界、空字段、超长文本、重复订单、乱序事件和编码异常，都可以由规则引擎稳定复现。
一套好的测试数据不是“看起来真实”的客户名单，而是能触发预期代码路径的数据集合。每条数据对应一个测试意图，并明确系统应该接受、拒绝还是降级处理。
这种方法还可以用于性能与迁移测试。生成符合统计规模的数据，检查索引、分页和批处理；但不能只模仿平均记录长度，还要加入少数极端大对象和热点键，否则生产瓶颈会被掩盖。
## 场景二：补充稀有事件，而非改写基线
在故障检测、风险识别和医疗信号中，真实稀有事件数量有限。合成样本可以帮助模型认识更多形态，却不应把测试集也合成化。
保留一份完全独立的真实测试集，按时间、设备或人群切分。训练时比较三种方案：只用真实数据、真实加简单重采样、真实加合成数据。若合成方案只在合成验证集上提高，而真实测试没有改善，就没有产生有效信息。
还要分别观察召回率与误报。大量夸张异常可能让模型对真实正常波动过度敏感。合成比例不是越高越好，应通过真实任务指标寻找合适范围。
## 场景三：仿真到现实需要刻意制造变化
机器人和视觉系统可以在模拟环境中经历大量试错，不损坏真实设备。问题是模拟世界通常过于干净：材质、光照和传感器噪声都比现实规则。
“域随机化”会在训练时大幅改变纹理、颜色、位置、光线和动力学参数，让现实世界只是众多变化中的一种。经典研究展示了只用渲染图训练的检测器迁移到真实图像的可能。
随机化也不能毫无边界。若模拟出的物理条件不可能发生，模型会把容量浪费在虚构世界。用少量真实数据估计参数范围，再在合理范围内扩展，是更稳妥的做法。
## 场景四：冷启动先造沙盘，不造结论
新产品没有用户行为记录时，可以用角色与事件规则生成沙盘数据，验证数据库、指标计算、告警和推荐管线是否能运行。它适合测试系统，不适合证明用户一定会这样行动。
上线后要迅速用真实行为替换假设。把合成数据与真实数据标记分开，仪表盘默认不混合计算。否则团队可能在自己设计的用户行为上得到漂亮增长曲线，再误以为产品验证成功。
## 五层检查决定数据能不能用
第一层是结构。字段类型、必填项、唯一键、单位和事件顺序是否满足系统规则。第二层是统计。单变量分布、变量之间的相关性、长尾和时间模式是否合理。
第三层是覆盖。目标边界条件是否真的出现，各组合是否均衡，是否遗漏了已知失败场景。第四层是任务效用。用合成数据训练后，模型在独立真实测试集上的表现是否改善。
第五层是暴露风险。生成模型可能复现罕见训练记录，合成数据并不天然匿名。检查样本与训练记录的最近邻距离，尝试成员推断与提示抽取，并避免把高度敏感的原始数据交给不受控生成流程。
这五层可能互相冲突。为了逼真，模型可能更接近真实个人记录；为了减少泄漏，增加扰动又可能降低任务效用。应明确项目更需要覆盖、隐私还是统计拟真，而不是用一个综合分数遮住取舍。
## 防止模型吃自己的回声
如果下一代模型反复使用上一代生成的内容，错误和平均化特征可能累积。合成数据管线要记录代际，不让生成样本悄悄混入“真实来源”池。
定期从现实重新采样，建立只由真实数据组成的锚点集。新一轮生成器必须在锚点集上检查分布和任务效用。对特别罕见的事件，宁可标记为“尚无真实验证”，也不要让合成数量制造虚假的确定感。
## 一个一周可完成的试验
第一天选一个明确失败场景，整理 20 到 50 个真实样本。第二天写场景变量和约束。第三天用最简单的规则或模拟方法生成一批样本，不急着训练复杂生成模型。
第四天检查结构、分布和重复；第五天训练基线与增强版本；第六天在独立真实测试集上比较，并人工查看改善与退化样本。第七天记录生成成本、收益和未解决风险，再决定是否扩大。
合成数据真正擅长的是把难以等待的场景变成可以主动设计的实验。它不是现实的替代品，而是一座可控沙盘。沙盘里可以反复试错，结论仍要回到真实世界接受检验。
## 参考资料