利用算法人为生成符合真实生活的情况，合成数据在多场景中应用

在人工智能领域，合成数据产业正逐渐成为关注的焦点。合成数据，即通过算法生成的模拟数据，可以用于训练、测试和验证AI模型，而无需依赖真实生活的数据集。这种数据具有一些显著的优势，比如能够保护隐私、减少对真实数据采集的依赖，以及在某些情况下提供更多样化的训练数据。

据咨询公司Gartner预测，到2024年，60%用于AI开发和分析的数据将会是合成数据；到2030年合成数据将彻底取代真实数据，成为AI模型所使用数据的主要来源。截至2022年，国外合成数据企业数量已经突破100家，市场规模正在逐步增长，预计2027年将达到11.5亿美元。合成数据得益于高质量、高效率和低成本，将是人工智能发展的重要支撑，更是数据要素市场“增量提质”不可或缺的有效手段。

合成数据产业发展迅速，已在金融、医疗、零售、工业等领域落地

合成数据作为真实数据的替代品，是利用算法人为生成出符合真实生活情况的数据，可以在数学或统计学上反映真实数据的属性。合成数据目前已应用在人工智能模型训练开发和仿真验证中，并在金融、医疗、零售、工业诸多产业领域中落地。由于合成数据是人为生成的，具有成本低廉和隐私保护优势，将解决真实数据应用过程中的痛点问题，如真实数据短缺、数据采集耗时费力、数据标注量大成本高和真实数据隐私泄露风险等。

合成数据的生成技术包括基于物理仿真、基于统计模型、基于机器学习等方式，生成式AI技术的进步将快速推动合成数据的产业发展。在合成数据的生产和应用过程中，数据质量的评估和对模型影响评估至关重要，此外还包括数据的管理、隐私保护、工具平台和开放共享诸多方面。

国外各大主流科技公司如英伟达、微软、亚马逊等瞄准合成数据领域，布局各类工具平台，为各种应用提供服务。合成数据目前已在自动驾驶、电商零售、医疗诊断等多行业开始应用，成为AI技术普及和提升的核心要素。

合成数据有望在自动驾驶等几大场景中发挥作用

在生成式人工智能时代，大模型表现与训练数据质量息息相关。高质量数据模型训练和应用过程中有着不可替代的重要性。合成数据或成为新路径。合成数据是通过算法和数学模型创建的数据。通过建模真实数据的分布，然后在该分布上进行采样，创建出新数据集，能够让合成数据模拟出真实数据中的统计模式和关系。在大模型训练中，合成数据能够发挥补充或替代真实数据的作用。

据媒体报道，OpenAI、Anthropic、DeepMind等公司都曾表态将探索在训练中引入合成数据的可能性。

数字中国研究院（福建）副院长邬群勇认为，合成数据可以提高模型训练的效率。一方面，合成数据可以根据特定的需求进行设计，比真实数据集更广泛，可确保满足特定的数据质量标准。另一方面，这类数据可以快速生成，几乎不需要人类标注，且不需要进行繁琐的数据清洗和预处理工作，可提高数据获取效率。

合成数据生成过程可能存在偏差或噪声，有观点认为数据的质量和真实性无法完全模拟客观世界。但在邬群勇看来，部分噪声数据对模型训练来说是必需的，有助于提高模型的鲁棒性。

对于饱受质疑的隐私安全顾虑，在第七届数字中国建设峰会上发布的《大模型训练数据白皮书》提到，合成数据可以替代个人特征数据，有助于用户隐私保护，解决数据获取合规性的问题。当前，类似 “猜你喜欢”功能的实现往往需要大量用户数据的参与。大模型理解力逐渐提高的当下，一方面，可以用合成数据替代用户数据训练模型；另一方面，用户的需求也可以通过与模型的自然语言交流被系统理解。整个过程在提升推荐匹配度的同时，还可以降低推荐模型对个人特征数据的依赖。

在可见的未来，合成数据将有望在几大场景发挥作用。首先，合成数据可应用于多模态数据的生成。利用模拟器生成的多模态场景数据还广泛应用于具身智能机器人、自动驾驶、AIforScience等场景的训练。

其次是高价值领域知识的生成。合成数据能通过对现有数据的深加工，将之前不能被用于训练的数据转化为可用。例如工业制造领域，利用合成数据，可以把生产、制造等工艺流程相关的原始数据，结合行业知识图谱，转化为可供大模型学习的工业语料，以缓解行业语料短缺的问题。

但是，合成数据应用的过程中还存在一些问题，一是合成数据的生产与应用流程尚未规范，二是合成数据的质量评估问题尚待解决。目前处于合成数据发展的初期，各大企业在合成数据的生产和应用上经验不足，依照真实数据的生产应用经验进行调整，缺少完备的合成数据生产流程规范与即开即用的工具。此外，合成的数据同样会出现质量问题，目前还缺少对于合成数据质量评估的维度和方法，来保障合成数据的质量。