合成數據≠生成模型：一文讀懂合成數據的全新範式

重新定義合成數據的邊界

傳統觀點常將「合成數據」等同於「生成模型」，但最新研究提出新的分類框架，突破此單一視角。該文指出，合成數據不僅限於由生成模型（如 GAN、VAE、GPT 等）產生，其方法邊界應被重新定義，涵蓋更廣泛的技術路徑。

三大核心方法論

新框架將合成數據的方法論分為三大類，以區別於單純的生成模型應用：

• 反演（Inversion）：從現有數據中推導或還原出潛在的生成過程。
• 仿真（Simulation）：透過詳細的算法與物理模擬系統生成數據，不依賴生成模型。
• 增強（Augmentation）：在真實數據基礎上進行細粒度處理，如微編輯操作，以構建結構更穩定、泛化性更強的「半合成」數據。

四大應用場景

該分類框架將合成數據應用於以下四個關鍵領域，並按應用層次進行劃分：

• 數據中心 AI：解決數據稀缺與隱私問題，提供按需培訓數據。
• 模型中心 AI：提升模型在特定任務上的表現與泛化能力。
• 可信 AI：用於驗證模型行為、減少偏差及確保決策可解釋性。
• 具身 AI：為機器人與實體系統提供高品質的訓練環境與數據。

此研究強調，跳出「合成數據=生成模型」的認知，能更精準地應對不同場景下的數據需求，並有效規避模型崩潰等風險。