一、合成数据是什么？
不是”假数据”，是”AI 学了真实数据的规律后，自己生成的同分布新数据”。
举个例子：
– 真实数据：10 万张猫狗图片
– 合成数据：AI 学了这 10 万张图的特征后，自己生成的 10 万张”新猫狗图片”
– 新图里没有”原图”，但保留了”原图的模式”
二、为什么 2024 年爆发？
三个核心驱动：
① 大模型成熟——大模型（特别是 GAN、扩散模型）让合成数据质量飞跃，从”一眼假”升级到”难以分辨”
② AI 训练数据枯竭——公开数据（维基百科、Reddit 等）2024 年起增长放缓，而 AI 训练需求每年翻倍
③ 隐私合规收紧——欧盟 GDPR、中国《数据安全法》、《个人信息保护法》让”原始数据共享”几乎不可能
Forrester 预测，到 2030 年合成数据将占 AI 训练数据总量的 60%。
三、3 大生成技术
① GAN（生成对抗网络）：2014 年提出，2024 年仍是主流
② VAE（变分自编码器）：适合表格数据
③ 扩散模型（Diffusion）：2024 年质量最优，主要用在图像
2024 年新趋势：大模型直接当”合成数据生成器”——给 GPT 喂 100 个真实客户案例，让它生成 10000 个”同模式新案例”。
四、4 大应用场景
① 医疗 AI 训练
– 真实病例 1000 例 → 合成 10 万例
– 解决罕见病数据稀缺问题
– 合规友好（不涉及真实病人）
② 金融风控模型
– 真实欺诈样本少 → 合成大量欺诈样本
– 提升风控模型召回率
③ 自动驾驶
– 真实极端场景少（暴雨、暴雪）→ 合成极端场景
– Waymo / Tesla 都在用
④ 工业质检
– 真实缺陷样本少（千分之一）→ 合成大量缺陷样本
– 提升质检 AI 准确率
五、企业落地建议
不要盲目”all in 合成数据”。评估 3 件事：
– ① 数据稀缺程度？真数据够用就不需要合成
– ② 隐私要求等级？高（医疗、金融）才需要
– ③ 训练成本？合成数据可降低 30-50% 标注成本
满足任一条可考虑尝试。
一句话：合成数据 = AI 用 AI 生成的数据，是数据合规时代的”AI 训练新燃料”。
