不是越多越好

同一个数据缺口，两种补法

想象一套城市道路识别系统。训练材料里有成千上万张晴天画面，模型在白天能看见骑行者；到了雨夜，反光路面、伞沿、车灯和运动模糊同时出现，错误便集中爆发。团队表面上缺的是“雨夜照片”，更准确地说，缺的是在夜雨条件下仍能辨认骑行者的证据。

数据增强从已有样本出发，对画面进行裁剪、翻转、调暗、加噪或模糊。它不是凭空获得一个新的真实路口，而是让同一份观察经历一组受控变化。PyTorch 的官方图像变换文档把几何与光度变换、MixUp、CutMix 等都列为常见工具；这些工具的共同点，是把已有输入加工成训练时的新版本。

合成数据则由规则、模拟器或生成模型构造。道路团队可以在三维模拟器里安排路口、雨量、车灯和骑行者姿态，也可以让图像生成模型按文字与参考图产生夜雨场景。表格数据也能由统计模型生成“并不存在的顾客”，文本数据可以由语言模型编写训练指令，机器人则能在物理仿真中经历虚拟碰撞。

两者的边界并非总像词典一样整齐。把两张真实图像混合，会产生现实中未直接拍摄的像素；用生成模型修补一张真实图像的背景，也同时包含变换与生成。与其争论名称，不如追问新样本从哪里获得信息：它只是重排已有观察，还是借助外部规则、模拟环境或生成模型补进了新的组合？

变换必须保住任务的含义

数据增强能够奏效，是因为任务中存在某些“变化了也不该改答案”的因素。任务不变量就是这种性质。识别普通道路车辆时，小幅亮度变化不该把自行车变成汽车；识别手写数字时，轻微平移通常不该改变数字类别。增强把这些假设写进训练过程，告诉模型不要把光照位置或像素细节当作唯一线索。

但不变量永远依赖任务。把猫的照片水平翻转通常仍是猫；把带有行驶方向标志的道路图翻转，标志含义可能已经错了。语音识别可以容忍一定背景噪声，医学听诊却可能恰好依赖那段被“清理”掉的微弱杂音。增强不是无害的滤镜，它是一条关于世界的判断：这个变化与答案无关。

标签也必须随变换一起处理。目标检测图像旋转后，标出骑行者的边框要同步旋转；分割图像裁剪后，像素掩码要同步裁剪。Torchvision v2 把图像、边框和掩码放进同一变换体系，正是为了减少“图变了，答案没跟着变”的错误。若只看生成后的图片是否顺眼，这类安静的标签错位很容易潜入训练集。

文本与表格也有自己的含义边界。把一句客服提问改写成同义表达，意图标签或许不变；随意替换否定词、金额或时间，答案可能立刻反转。把表格中的年龄加一点噪声，可能保护部分细节，却也可能制造不可能的年龄或破坏年龄与疾病之间的关系。每一种数据类型都要求作者说明，哪些结构必须保持，哪些表面可以改变。

还有一类增强故意制造困难样本，例如遮住图片的一块区域，或把两个样本及其标签按比例混合。它们不一定像自然拍摄的画面，目标也不是复刻一张真实照片，而是阻止模型过度依赖某个局部线索。这里再次说明，视觉逼真不是唯一标准；只要变化与训练目标一致，略显人工的样本也可能提供有效约束。

回到道路案例，把晴天画面调暗能够教模型减少对整体亮度的依赖，却不能自动创造雨滴遮挡、路面镜面反射和雨衣贴身后的形状变化。把白天照片染成蓝黑色，表面上接近夜晚，信息上仍可能只是“深色的白天”。当真实缺口涉及多个因素的相互作用，简单变换就会触到上限。

生成的不是数量，而是覆盖范围

数据分布描述不同样本出现的范围、比例与关系。道路训练集里，晴天、白天、直行骑行者占绝大多数，就是一种分布。模型不会直接学习“世界本身”，只会从这份有限分布中寻找规律。样本数量再大，如果只是重复同一时段、同一路口和同一拍摄角度，模型获得的新信息仍然很少。

合成系统的优势，在于能够有意识地改变稀缺条件。模拟器可以组合小雨与暴雨、成人车与儿童车、迎面灯光与背光、近距离与远距离。生成模型可以在人工审查下补充罕见姿态。规则系统还可以构造现实中危险、昂贵或尚未发生的极端场景，让安全系统在部署前先遇见它们。

控制变量还能帮助发现因果上的混淆。假如真实训练集中，骑行者总与自行车道同时出现，模型可能把车道颜色当作捷径。合成场景可以把骑行者放到不同路面，把空自行车道单独呈现，再观察预测如何变化。它不能凭自身证明模型学到了正确因果，但能把原本纠缠的线索拆开，形成更有针对性的测试。

这种“可控”并不等于“真实”。模拟器对水面反射的计算可能过于干净，生成模型可能把自行车辐条画错，语言模型则可能反复采用相似句式。更隐蔽的问题是，生成器本身从历史数据学习，它倾向于重现历史数据中常见的人、地点和表达。若原始记录很少包含穿深色雨衣的老人，生成器未必会主动补齐这部分。

覆盖也不是把每个选项机械排列一遍。雨量、距离、姿态和光源的组合会迅速增多，其中有些常见，有些几乎不可能。团队需要由真实观察、领域知识和风险后果共同决定优先级。否则，资源可能耗在奇特却无关的场景上，而经常发生但不醒目的失败仍被忽略。

因此，“数据更多”是一个容易误导的计数方式。更好的描述是：训练材料覆盖了哪些条件，哪些条件仍靠猜测，以及新增样本是否让模型学到了可迁移的规律。一个规模较小但有代表性的集合，往往比一个巨大、重复且标签含混的集合更有价值。

三种常被混在一起的目标

第一种目标是让样本看起来像真的。第二种是让样本对训练或分析有用。第三种是减少真实个人信息的暴露。这三件事可能同时发生，也可能彼此冲突。高度逼真的合成人像可能复制训练对象的特征；隐私保护很强的表格数据可能损失罕见群体的统计规律；能提高某个分类器成绩的数据，未必适合另一项任务。

NIST 在 2025 年发布的差分隐私评估指南特别提醒，不满足差分隐私的合成方法通常只有非正式的隐私保证。NIST 还指出，合成过程会引入新的不确定性，并可能降低子群体准确度。也就是说，“这是合成的”不能自动推出“这是匿名的”，更不能自动推出“所有人都同样受益”。

ICO 的隐私增强技术指南给出相似边界：合成数据可能帮助减少个人信息的使用，但从个人信息生成数据的过程本身仍涉及处理，而且越贴近原始记录，泄露个人特征的风险可能越高。不同司法辖区的法律判断并不完全相同；涉及真实个人、医疗、金融或公共决策时，仍需由组织的隐私与法律专业人员结合具体用途评估。

这也解释了为什么合成数据与增强数据不应被视为廉价替代品。它们是把假设变成样本的工具：增强写入“哪些变化不重要”，合成写入“哪些情境可能存在”。假设越清楚，越容易验证；假设被埋在模型、提示词和筛选规则里，错误就越可能被规模掩盖。

同样的工具在不同阶段承担的角色也不同。开发初期，合成数据可以让软件接口、标注流程和训练代码先运转起来；模型上线前，它可以用于压力测试与安全演练；正式训练时，则需要更严格地证明它与真实目标一致。把“用于测试管线”得到的成功，直接解释成“适合训练生产模型”，是常见的越界。

道路团队此刻已经能把问题说得更精确：简单变换可以增加光照与局部遮挡的变化，模拟器与生成模型可以补充复杂夜雨组合，但每一种新样本都需要证明标签正确、条件合理，并且确实改善独立真实路测。下一步不再是“再生成多少张”，而是建立一条让目标、生成、筛选和测试相互约束的生产线。