合成数据（Synthetic Data）是企业用 AI 算法（特别是大模型）生成的人工数据，不是真实采集的，但能模拟真实数据的分布和特征。
它不是”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。比如给 AI 10 万张猫狗图片，AI 学完后能生成 10 万张”新猫狗图片”——新图里没有原图，但保留了原图的模式。
为什么 2024 年爆发？
三个核心驱动同时发力：① 大模型成熟——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 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》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%。
3 大生成技术：
GAN（生成对抗网络）：2014 年提出，目前仍是主流。
VAE（变分自编码器）：适合表格数据。
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 100 个真实客户案例，让它生成 10000 个同模式新案例。
4 大应用场景：
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。
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。
自动驾驶：真实极端场景少 → 合成极端场景，Waymo / Tesla 都在用。
工业质检：真实缺陷样本少 → 合成大量缺陷样本，提升质检 AI 准确率。
企业落地建议：评估三件事——数据稀缺程度？隐私要求等级？训练成本？满足任一条可考虑尝试。
一句话总结：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”。
