什么是 合成数据（Synthetic Data）？
合成数据（Synthetic Data）是人工生成的、模拟真实世界数据统计特性和模式的数据，主要用于在真实数据稀缺、昂贵或受隐私限制时训练、测试和验证 AI 模型。
快速了解
| 创建时间 | 1990 年代（概念），2022-2026 年（规模化 LLM 生成） |
|---|
工作原理
合成数据已成为现代 AI 开发的基石，解决了数据稀缺、隐私法规和成本方面的关键挑战。组织使用 LLM 生成、GAN、扩散模型、规则系统和仿真环境等技术来生成合成数据集，而非收集和标注真实样本。截至 2026 年，超过 60% 的 AI 训练流水线使用合成数据，特别是在指令微调、偏好优化（DPO/RLHF）、稀有边界案例覆盖和多语言扩展方面。OpenAI、Google 和 Anthropic 等主要模型实验室大量依赖合成数据进行模型对齐和能力开发。
主要特点
- 可扩展生成 — 无需人工标注即可产出无限量数据
- 隐私保护 — 不暴露真实个人数据，简化合规流程
- 可控分布 — 可对稀有事件和边界案例进行过采样
- 成本高效 — 大幅降低数据收集和标注费用
- 质量依赖 — 输出模型性能高度依赖合成数据质量
- 多样性工程 — 系统性覆盖不足代表的场景
常见用途
- 指令微调 — 生成多样的指令-响应对用于 LLM 微调
- 偏好数据 — 创建 RLHF/DPO 对齐训练的比较对
- 数据增强 — 用合成变体扩展有限的真实数据集
- 隐私合规 — 用统计等效的合成版本替换敏感数据
- 测试验证 — 为软件和模型测试生成边界案例
- 仿真训练 — 为机器人和自动驾驶系统创建虚拟环境
示例
Loading code...常见问题
合成数据和真实数据训练效果一样好吗？
取决于质量和使用场景。由能力强的模型生成的高质量合成数据在指令遵循和推理等特定任务上可以匹配甚至超越真实数据的表现。但对于需要真实世界领域知识或感官保真度的任务（医学影像、语音），真实数据通常仍然更优。最佳效果往往来自两者的结合。
如何确保合成数据质量？
关键质量保障方法包括：使用强教师模型生成、实施自动过滤（移除低质量或重复样本）、人工抽检、测量下游任务性能、检查数据污染，以及验证与真实数据的统计分布对齐。
什么是合成数据导致的模型坍缩？
模型坍缩发生在模型跨代重复在自身合成输出上训练时，导致多样性和质量的逐步丧失。为防止此问题，实践者将合成数据与真实数据混合使用、使用多样的生成源，并实施质量过滤以维持分布覆盖。
合成数据合法且合乎伦理吗？
从零生成的合成数据（非衍生自版权来源）通常是合法的。在隐私方面，不记忆真实个体的正确生成的合成数据符合 GDPR 及类似法规。伦理关注包括潜在的偏见放大和生成计算的环境成本。
2026 年 AI 训练数据中合成数据占比多少？
截至 2026 年，估计超过 60% 的 AI 模型训练流水线包含合成数据成分。对于对齐训练（指令微调、RLHF），比例更高——通常为 80-90% 合成。预训练仍主要依赖真实网络数据，但合成数据越来越多用于质量过滤和增强。