合成数据
合成数据是指通过算法、模型或仿真手段人工生成的数据集，而非来源于真实世界的直接采集。其核心特征包括：可按需大量生成、可对敏感信息进行脱敏替代，以及能够覆盖现实数据中稀缺的边缘场景。合成数据广泛应用于机器学习训练、软件测试和隐私保护等领域，同时也面临数据质量与真实分布偏差等潜在挑战。
核心事实
时间轴 (近 90 天)
异常检测方法对未知缺陷类型更友好但误报率偏高；合成数据能扩充样本量但与真实缺陷分布存在域差距。
数据荒趋势迫使AI团队转向三类替代数据源：企业内部的用户行为日志和交互记录、行业垂直领域的专有数据、人工标注或合成生成的数据
合成数据难以复现真实人类行为中的意外性、情感细微差异和策略性决策。
合成数据失效的常见原因是模型学到了合成特定伪影而非真实篡改特征，导致在合成集过拟合、真实测试集归零
合成数据框架的固有局限在于人为构造的数据与真实世界复杂性之间存在差距
有技术观察者在Twitter上爆料称，消费级AI工具的生产环境用户数据正通过合成数据方式被用于模型训练
实验室会对高复杂度用例进行过滤和加权（filter/up-weight），因为它们对提升模型推理与专业能力最有价值
据爆料，用户处理复杂数学、商业分析、软件工程或生物学难题等高价值用例的数据被纳入训练的概率会显著提升
合成数据并非直接使用用户输入的原始内容，而是基于这些数据派生、改写、重构出的新数据
合成数据常见的生成方式是让模型基于真实用户对话进行改写、扩充或角色转换，产出形式上虚构、语义上保留原始信息的训练样本
还有 19 条时间轴事件
全部知识事实 (20)
合成数据是指通过算法人工生成、而非从真实世界直接采集的数据，在统计特征上模拟真实数据分布但不对应真实个体或事件
80%已验证当语言模型在自身或同类模型生成的数据上反复训练时，会出现系统性退化，模型输出多样性逐代降低，分布尾部信息逐渐丢失
75%已验证若合成数据生成过程遗漏关键变量间的相关性，基于此训练的模型在真实部署环境中往往表现失常
65%已验证Gartner预测到2024年60%用于AI开发的数据将是合成数据
80%已验证MarketsandMarkets估计合成数据市场规模将从2023年约3亿美元增长至2028年近20亿美元
65%待验证合成数据在长尾场景补充和隐私敏感场景替代两个维度上价值最高，而非作为主体数据源
75%待验证合成数据常见的生成方式是让模型基于真实用户对话进行改写、扩充或角色转换，产出形式上虚构、语义上保留原始信息的训练样本
70%待验证2023年发表的《The Curse of Recursion》等研究表明，当模型在自身生成的数据上反复训练时，数据分布会逐渐退化，多样性持续降低，最终导致模型能力系统性衰退（模型坍缩）
70%待验证程序化合成数据可按需生成任意强度眩光、低照度及重度遮挡等难以真实采集的边缘场景，并提供精确标注
60%待验证程序化合成数据为机器人与自动驾驶开发者提供低成本、高精度、可无限扩展的数据获取路径
60%待验证异常检测方法对未知缺陷类型更友好但误报率偏高；合成数据能扩充样本量但与真实缺陷分布存在域差距。
50%待验证数据荒趋势迫使AI团队转向三类替代数据源：企业内部的用户行为日志和交互记录、行业垂直领域的专有数据、人工标注或合成生成的数据
50%待验证合成数据难以复现真实人类行为中的意外性、情感细微差异和策略性决策。
50%待验证合成数据失效的常见原因是模型学到了合成特定伪影而非真实篡改特征，导致在合成集过拟合、真实测试集归零
50%待验证合成数据框架的固有局限在于人为构造的数据与真实世界复杂性之间存在差距
50%待验证实验室会对高复杂度用例进行过滤和加权（filter/up-weight），因为它们对提升模型推理与专业能力最有价值
50%待验证合成数据并非直接使用用户输入的原始内容，而是基于这些数据派生、改写、重构出的新数据
50%待验证据爆料，用户处理复杂数学、商业分析、软件工程或生物学难题等高价值用例的数据被纳入训练的概率会显著提升
50%待验证合成数据能够以可控方式补齐真实数据在成本、隐私、覆盖度方面的缺口
50%待验证英伟达等公司近年来大力押注仿真训练与合成数据，通过虚拟环境让机器人练习数百万次来弥补真实数据不足
50%