AI科普 | 什么是合成数据 Synthetic Data？掌握让AI更聪明的核心技巧

昨天的「数据闭环」讲了模型如何靠真实反馈越用越聪明；今天补上闭环的"燃料"——合成数据。当真实数据不够、太贵或碰不得隐私时，AI 自己造"练习题"来练，正在成为大模型迭代的关键一环。

一、什么是合成数据

合成数据（Synthetic Data）是用算法人工生成的、并非直接来自真实世界采集的数据。它长得像真实数据、统计分布也接近真实数据，但不对应任何一个真实的人或真实事件。简单的例子：用仿真软件生成几千张"不同光照下的猫"，用大模型写出一万条客服对话样本，用随机过程模拟城市用电曲线——这些都是合成数据。

二、为什么它越来越重要

第一，真实数据有天花板。高质量标注数据越挖越贵，长尾场景（罕见故障、小语种、特殊病例）几乎采不到。第二，隐私与合规。医疗、金融数据不能直接拿来训练，合成一份"长得像但查无此人"的版本就能绕过红线。第三，闭环提速。昨天的「数据闭环」要靠用户真实反馈，但反馈来得慢；合成数据能立刻批量补上"边界样本"，让模型迭代更快。

三、核心原理（三招造数据）

1）规则/仿真生成：用物理引擎或业务规则批量造样本，比如用 CAD 渲染不同角度的零件图来训缺陷检测模型。2）生成模型采样：用 GAN、扩散模型、或现在主流的大模型，直接"写"出文本、图像、表格。今天新闻里诺和诺德用 Claude 加速新药研发，本质上就是在合成/生成科研假设与分子描述，缓解实验数据稀缺。3）LLM 自生成 + 过滤：让强模型出题、弱模型作答、再让强模型判分，把"好题"留下。这是很多大模型后训练（SFT/指令微调）扩充数据的常用套路。

四、实际应用（联系今天的新闻）

• 药物研发：诺和诺德×Anthropic 用 Claude Science 生成候选分子与实验设计，缩短从科研到临床的周期——这正是合成数据在科学发现里的落地。   • 自动驾驶/机器人：用仿真合成海量 corner case（极端场景），弥补真实路采覆盖不到的危险片段。   • 与你相关的产品：昨天第13课讲的"数据闭环"，很多企业会用合成数据补"反馈慢"的空窗——先合成一批边界样本做回归测试，再拿真实用户数据兜底。

五、给 AI 产品经理的启示

当你发现"真实数据不够训模型"时，别只盯着采集，先问三句：哪些场景能仿真？哪些数据可用合成替代以保护隐私？怎样设计"真+合"比例避免模型坍缩？把合成数据当成数据闭环的" accelerator（加速器）"，而不是"替代品"，产品迭代速度会明显不同。