逼真不等于可用

先拆开相似与有效

生产线已经把目标、生成、筛选和混合连在一起，也保留了来源。现在道路团队看到一个好消息：加入合成夜雨画面后，验证集准确率上升，抽样图片也很逼真。这个结果值得继续调查，却还不足以采用，因为“像真实数据”与“帮助真实任务”回答的是两类问题。

保真度衡量合成数据在统计规律、结构或观感上与目标真实数据有多相似。图像可比较亮度、纹理、物体结构与特征空间分布；表格可比较边际比例、相关关系和稀有组合。高分说明生成器复现了某些可测特征，却不能证明它复现了所有与道路安全相关的因素。

任务效用关心数据是否改善一个明确任务。它必须通过下游模型和独立真实测试来观察。合成图可能存在人眼不在意、模型却会利用的重复纹理；也可能不够“好看”，但准确覆盖了遮挡边缘与目标位置。对于训练数据，后者有时反而更有价值。

保真度与效用还会因任务变化。同一份合成表格可以保留总体消费分布，适合做软件测试，却破坏极少数大额交易，因而不适合欺诈研究。道路图像可以支持车辆计数，却因车轮细节错误而不适合车型识别。宣称“合成数据质量高”若不说明用途，几乎没有可操作含义。

平均数会藏住尾部

道路团队把测试集按目标大小、服装颜色、遮挡程度与光源方向拆开。总体召回提高，远距离儿童车却没有改善；深色雨衣在强逆光下甚至退化。原因可能是生成器偏爱轮廓清楚、画面主体居中的样本，筛选器也更容易给这类图片高分。生产线因此把“容易被机器认可”误当成“最需要学习”。

原始数据中的偏差也会沿着生成过程传播。若历史摄像头主要部署在中心城区，模拟参数和生成提示很可能围绕宽阔路面、充足照明和常见车型。生成器可以把这些常见模式扩充得非常丰富，同时让郊区无灯道路继续缺席。数量增长并不会自动修复代表性。

NIST 的 2025 年隐私指南提醒，合成数据可能降低子群体准确度，并把生成算法的偏差传到下游。这个提醒并不意味着合成数据必然伤害少数群体，而是要求评估按重要群体与困难条件展开。对道路系统来说，罕见但后果严重的条件不能被总体平均数抵消。

分层结果还要连同样本数和波动一起看。一个只有十个案例的小组，即使显示很大提升，也可能由少数偶然样本造成。团队可以重复训练、报告区间，并把证据不足明确写出。诚实的不确定性比精确到小数点后的单次结果更能支持安全决策。

解决办法不是无限细分，直到每组只剩一个样本。团队应根据用途与伤害路径选择分层：哪些人或场景若被漏检会产生不同后果，哪些环境是系统承诺支持的范围，哪些目前证据不足。样本量太小的组可以报告不确定性，而不是用一个不稳定的百分比装作确定。

“人工生成”不是隐私证明

隐私风险是个人身份、属性或是否出现在原始数据中被推断出来的可能性及影响。若生成模型用真实道路画面训练，它可能过度记忆罕见车牌、面孔、住址特征或独特事件。输出并非原文件的逐像素复制，也仍可能泄露与个人有关的信息。

风险与效用之间常有拉扯。生成器越忠实地保留罕见组合，越能支持某些分析，也越可能暴露一个独特个体。ICO 的隐私增强技术指南指出，越接近真实数据，效用往往越高，揭示个人信息的可能性也会增加。ICO 同时强调，若以个人信息训练生成器，生成阶段本身仍需要数据保护治理。

差分隐私提供一种可量化边界：限制加入或移除某个个体记录对输出概率造成的影响。它可以用于生成统计或合成数据，但并不是给数据贴上“安全”标签的按钮。隐私预算如何设定、多个发布如何累计、实现是否正确，都会改变实际保证；更强保护也可能牺牲罕见模式的效用。

NIST SP 800-226 在 2025 年明确区分了满足差分隐私的合成数据与只有非正式保证的做法。NIST SP 800-188 则从治理角度建议，在发布去标识化或合成政府数据前确定共享模式、评估重识别风险并建立审查机制。技术测量和组织责任必须同时存在。

风险也会随接收者和发布方式变化。只在受控环境中供授权研究者使用，与把数据公开下载，攻击能力和后果并不相同。访问控制、用途限制、查询接口和安全环境可以与生成技术共同工作；没有必要把“完全公开的数据文件”当成唯一的共享形态。

当模型开始学习自己的回声

模型坍塌指生成模型在递归学习模型生成数据时，逐步丢失真实分布中的信息、质量或多样性。直觉上，第一代模型已经压缩并遗漏了现实的某些细节；下一代若把这些输出当成完整现实，会再压缩一次，稀有模式尤其容易消失。

2024 年发表在 Nature 的研究展示了递归生成训练中的退化现象。不过，把它简化成“任何合成数据都会毁掉模型”也不准确。2025 年 PMLR 收录的研究比较了不同训练工作流：完全用连续世代的合成数据替换真实数据会坍塌，而真实与合成数据共同累积的工作流在其研究设定中可以保持稳定。

差别在于系统是否保留来自真实世界的新信息，以及如何使用它。道路团队若把上一版识别模型挑选的“高质量夜雨图”继续喂给下一版，筛选偏好与生成偏好会层层叠加。若持续保留真实路测、明确标记合成来源，并让真实错误推动下一轮生成，闭环就多了外部纠偏信号。

递归污染不只发生在团队内部。公开网页、图片库和数据供应链中也可能混入无法识别的模型输出。团队无法把所有来源都完美分类，却可以记录已知来源、对不透明数据降低权重、保留可信真实集合，并监控模型输出的多样性与尾部性能是否随版本下降。

这也是数据血缘的长期价值。团队需要知道网页文本、图像或第三方数据中哪些可能由模型生成，哪些来自真实观测，哪些经过人工核验。无法追踪并不意味着数据一定不可用，但意味着团队应降低信任、增加抽检，并避免让它成为唯一参照。

用最小充分证据决定采用

判断可以从一个简单顺序开始。先确认缺口是否来自可描述的现实变化，再选择最小的变换或生成方法；然后检查标签、结构与覆盖；接着用不同合成比例训练；最后只在独立真实数据上比较，并按重要群体与困难条件分层。每一步都要保留失败结果，而不只保存最终成功版本。

若收益只出现在合成测试集，停止扩大规模。若总体收益伴随高风险群体退化，回到生成条件和筛选阈值。若个人数据参与生成，单独进行隐私攻击测试、访问控制与法律评估。若来源无法追踪，限制用途，不让数据进入高风险决策或成为后续模型的唯一训练材料。

道路案例的采用门槛可以写得很具体：真实夜雨路测中远距离骑行者的召回稳定改善，白天性能没有不可接受的退化，各关键条件都有足够证据，敏感素材可追溯并受控，连续版本保留新鲜真实数据。这样的门槛可能让大量“漂亮数据”被拒绝，但它保护了项目真正要改善的现实结果。

门槛还应包含撤回条件。若部署后出现此前未覆盖的误报模式，团队要能定位相关数据批次、停止继续回灌，并恢复到已知版本。数据生成不是一次性采购，而是模型生命周期的一部分；监测、事故记录和重新采样都应连接回生产线。

合成数据和数据增强最适合补足一个已经被说清楚的缺口。它们不擅长替代持续观察，因为现实会新增道路、设备、行为与异常组合。生成工具可以加速假设检验，不能免除采样、标注、申诉和事故复盘。越接近公共安全、医疗、金融或权利影响，越需要把真实世界反馈保留在循环中。

最终，成熟的团队不会问“要不要使用合成数据”，而会问得更窄：缺的是哪一种变化，哪种方法引入最少的新假设，失败能否被独立真实测试发现，来源能否被撤回与重做。这个问题比追逐某一种生成模型更慢，却能让每一批新增样本都承担清楚的责任。