在人工智能的进化史上，数据一直被视为驱动模型进化的燃料。传统上，我们依赖从现实世界采集的海量真实数据来训练模型，从图像识别到自然语言处理，无一例外。然而，随着隐私法规的收紧、标注成本的攀升以及长尾场景的稀缺，真实数据的供给逐渐逼近瓶颈。此时，合成数据——通过模拟器、生成算法或程序化生成的方式创造出的伪数据——正悄然登上舞台，成为AI训练领域最炙手可热的新星。但围绕它的争议从未停息：合成数据究竟是解决数据饥荒的灵丹妙药，还是将AI引入幻觉深渊的毒药？
从对比的视角看，真实数据与合成数据各自拥有不可替代的优点。真实数据携带了物理世界的原始噪声与复杂相关性，是模型理解现实语义的黄金标准；但它同时受制于隐私伦理、采集成本与分布偏差，并且无法覆盖极端或危险场景。相反，合成数据可以无限生成、精确控制类别平衡、彻底规避隐私风险，甚至允许我们构建在现实世界中不存在的假设场景。例如，自动驾驶公司利用高保真仿真环境生成数亿英里的行驶数据，使得车辆能在不发生过真实事故的情况下学会应对极端天气与突发障碍。然而，合成数据的致命弱点在于“现实鸿沟”——如果模拟器的物理模型不够准确，或者生成器本身带有隐性偏见，那么模型学到的是虚拟世界的伪规律，而非真实世界的因果逻辑。
我的独立观点是，合成数据与真实数据的关系不应被简单视为“替代”或“补充”，而是一次本体论上的重新定义。传统的二元论将数据视为对客观世界的静态映射，因此合成数据被视为“假的”而被低看。但当我们承认智能体（尤其是具身智能）通过与环境的交互构建认知时，数据真实性不再取决于来源，而取决于使用情境中的效用与约束关联。换句话说，一个高质量的模拟环境，只要其反馈函数与目标任务同构，那么它生成的合成数据就是“有效的真实”——它创造了模型得以训练所必需的客观反馈结构。这就像飞行员在飞行模拟器中累积的数千小时经验，这些经验并非来自真实飞行，却同样塑造了真实技能。因此，AI的未来不应执着于区分数据真假，而应关注数据生成的结构保真度与任务相关性。
当下，越来越多的研究已在实践这一哲学。在医疗影像领域，生成对抗网络合成的病理切片被用于训练病灶检测模型，显著提升了模型对新设备的适应能力；在NLP中，基于大语言模型自我生成的指令微调数据，反而超越了对人类写作数据的简单复制。这些案例揭示了一个新范式：数据不再是采集到的“资源”，而是被设计出来的“环境”。设计者可以主动构造稀缺样本、平衡伦理标签、注入因果干预，从而让模型在更干净、更可控的语义空间中学习。但同时我们必须警惕两种风险：一是合成数据引发的“自我吞噬”问题——即当AI生成的数据再次被下一代AI训练时，错误与偏差会像基因突变一样累积固化，导致模型衰退；二是结构性失真的风险——若过分依赖简化模拟器，模型会在迁移到真实世界时暴露出脆弱的泛化能力。
为了平衡创新与稳健，我认为未来的训练架构必然走向“混合真实”策略：以真实数据为锚点，合成数据为杠杆。具体而言，真实数据负责校准模型的语义基石与长尾边界，而合成数据则负责扩展分布覆盖、强化少见特征、训练对抗鲁棒性。更重要的是，这种混合不是静态的权重叠加，而是动态的迭代闭环——模型在合成环境中发现的失败模式，被用来引导新的真实数据采集；新的真实数据再一次修正模拟器的物理参数。这就像生物学中的趋同进化：两个不同起源的系统，通过持续交互逐渐收敛到同一个功能解。在这种视角下，合成数据不再是一个简单的数据增强工具，而是AI研发中一种“主动实验”的核心方法论。
最终，我们需要放下对“数据纯净性”的执念。真实世界充满了噪声，但噪声也是信息；合成世界看似虚假，却能成为抽象和思考的沙盘。当一个AI系统既能在模拟的极端天气中独立驾驶，又能精准识别真实道路上的被遮挡行人时，它已经超越了数据来源的标签，抵达了能力层面的真实。合成数据的真正贡献，不是为AI提供更多面包，而是让AI学会如何在饥饿时创造自己的面包。这，才是数据边界被重新定义后的应有之义。
