在人工智能技術(shù)迅猛發(fā)展的當(dāng)下，真實(shí)數(shù)據(jù)在成本、隱私、質(zhì)量及可控性等方面面臨的限制，正逐漸成為制約AI進(jìn)一步突破的關(guān)鍵因素。特別是在醫(yī)療等高價(jià)值領(lǐng)域，真實(shí)數(shù)據(jù)獲取難度極大，傳統(tǒng)依賴數(shù)據(jù)自然產(chǎn)生的模式已難以滿足需求。在此背景下，合成數(shù)據(jù)正從真實(shí)數(shù)據(jù)的補(bǔ)充角色，轉(zhuǎn)變?yōu)闃?gòu)建高質(zhì)量訓(xùn)練與評(píng)估數(shù)據(jù)的核心機(jī)制。

近期，南洋理工大學(xué)、清華大學(xué)、四川大學(xué)及中山大學(xué)的研究人員，基于對(duì)300余篇代表性文獻(xiàn)的系統(tǒng)梳理，提出了一個(gè)全新的合成數(shù)據(jù)分類框架——How / Why / Where框架。該框架突破了“生成模型=合成數(shù)據(jù)”的傳統(tǒng)認(rèn)知，將反演、仿真與數(shù)據(jù)增強(qiáng)等方法納入合成數(shù)據(jù)范疇，并從應(yīng)用層面勾勒出更完整的發(fā)展路徑。

傳統(tǒng)觀念中，合成數(shù)據(jù)常被等同于“用生成模型制造數(shù)據(jù)”，但新框架明確指出，合成數(shù)據(jù)的方法邊界遠(yuǎn)不止于此。研究人員通過(guò)分類框架，將合成數(shù)據(jù)方法劃分為反演、仿真、增強(qiáng)及生成模型四大類，并詳細(xì)梳理了各類方法的特點(diǎn)與適用場(chǎng)景。例如，反演方法通過(guò)逆向工程從輸出反推輸入，適用于數(shù)據(jù)稀缺但模型可解釋性要求高的場(chǎng)景；仿真方法則通過(guò)構(gòu)建虛擬環(huán)境生成數(shù)據(jù)，在自動(dòng)駕駛、機(jī)器人訓(xùn)練等領(lǐng)域具有顯著優(yōu)勢(shì)。

在應(yīng)用層面，新框架將合成數(shù)據(jù)的作用組織為一條逐步演進(jìn)的能力路徑，涵蓋數(shù)據(jù)中心AI、模型中心AI、可信AI及具身AI四個(gè)層次。數(shù)據(jù)中心AI作為最基礎(chǔ)層次，旨在解決真實(shí)數(shù)據(jù)稀缺、獲取成本高及隱私受限等問(wèn)題，通過(guò)合成數(shù)據(jù)擴(kuò)展訓(xùn)練集并提升數(shù)據(jù)質(zhì)量。模型中心AI則進(jìn)一步利用合成數(shù)據(jù)提升模型推理、編碼與對(duì)齊能力，并構(gòu)建可控的評(píng)測(cè)基準(zhǔn)。可信AI階段，合成數(shù)據(jù)被廣泛應(yīng)用于隱私保護(hù)、安全防護(hù)、公平性提升及模型可解釋性分析。最終，在具身AI層次，合成數(shù)據(jù)支持智能體在復(fù)雜物理環(huán)境中進(jìn)行感知、交互與泛化，推動(dòng)AI從數(shù)字空間走向現(xiàn)實(shí)世界。

為更系統(tǒng)地指導(dǎo)實(shí)踐，研究人員將上述四類應(yīng)用場(chǎng)景細(xì)化至30余個(gè)具體機(jī)器學(xué)習(xí)任務(wù)層級(jí)。例如，在數(shù)據(jù)中心AI中，涵蓋零/少樣本學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、無(wú)數(shù)據(jù)學(xué)習(xí)及數(shù)據(jù)蒸餾等任務(wù)；在模型中心AI中，細(xì)分為模型通用能力提升、推理能力增強(qiáng)及基于合成數(shù)據(jù)的模型評(píng)測(cè)等任務(wù)；可信AI則聚焦于隱私保護(hù)、模型攻擊防護(hù)及可解釋性分析等；具身AI則延伸至感知、交互及跨場(chǎng)景泛化等面向真實(shí)環(huán)境的任務(wù)。

盡管合成數(shù)據(jù)在方法體系與應(yīng)用落地方面已取得顯著進(jìn)展，但其發(fā)展仍面臨諸多挑戰(zhàn)。模型坍塌是其中之一，當(dāng)模型反復(fù)在自身生成的數(shù)據(jù)上迭代訓(xùn)練時(shí)，可能導(dǎo)致數(shù)據(jù)分布收縮、多樣性下降，進(jìn)而影響模型性能與泛化能力。數(shù)據(jù)效用與隱私保護(hù)的權(quán)衡也是長(zhǎng)期存在的問(wèn)題，過(guò)強(qiáng)的隱私約束可能降低數(shù)據(jù)可用性，而過(guò)高的數(shù)據(jù)保真度則可能帶來(lái)隱私泄露風(fēng)險(xiǎn)。當(dāng)合成數(shù)據(jù)用于模型評(píng)測(cè)時(shí)，還可能引入生成-評(píng)測(cè)偏差，導(dǎo)致評(píng)估結(jié)果失真。

在方法層面，主動(dòng)式數(shù)據(jù)合成與多模態(tài)數(shù)據(jù)合成等前沿方向仍有待探索。主動(dòng)式數(shù)據(jù)合成強(qiáng)調(diào)根據(jù)模型需求動(dòng)態(tài)生成最有價(jià)值的數(shù)據(jù)，以提升數(shù)據(jù)利用效率；多模態(tài)數(shù)據(jù)合成則關(guān)注如何生成語(yǔ)義一致、跨模態(tài)對(duì)齊的高質(zhì)量數(shù)據(jù)，這對(duì)多模態(tài)模型的發(fā)展尤為關(guān)鍵。同時(shí)，如何系統(tǒng)性評(píng)估合成數(shù)據(jù)的質(zhì)量仍是基礎(chǔ)但尚未完全解決的問(wèn)題，目前仍缺乏統(tǒng)一且標(biāo)準(zhǔn)化的評(píng)測(cè)體系。