合成数据是什么？它能替代真实数据吗

合成数据是由模型或程序生成、而不是从真实世界采集的训练数据。在大模型语境下，最常见的形式是：用一个能力更强的「教师模型」生成大量问答对、推理过程或代码，用来训练一个更小或更专门的「学生模型」。

搜「合成数据」很容易撞上合成机油和电子工程里的直接数字合成（DDS）；这里说的是 AI 训练数据语境下的合成数据。

它能替代真实数据吗？先定义「替代」：本文指的是在同一任务上，合成数据可以承担主要的训练供给，不必再靠真实采集的数据达到同等效果；不是「真实数据从此不需要」。按这个标准，答案是有条件的：有自动验证器的任务，合成数据能当主料；世界知识只能重组、不能扩展；专业判断和最新事实替代不了。它真正改变的，是真实数据的角色——从主料变成锚。占比可以降，但不能没有。

一、它为什么已经主流化

合成数据的好处很直接：不用从真实世界一条条采集，可以按需生成，也可以先大量生成、再用验证器筛掉错的。Gartner 估计，到 2026 年约 75% 的企业会在 AI 模型训练中以某种形式使用合成数据，高于 2024 年的不足 40%；该机构还预测，到 2030 年合成数据在 AI 训练中的使用量将超过真实数据。该数字在不同公开转述中有「调查结果」与「前瞻预测」两种口径，本文按预测口径引用。

但这个 75% 要谨慎读。「以某种形式使用」的门槛极低，用模型生成一批测试数据也算。它证明的是渗透广度，不是使用深度，更不能推出「模型 75% 的训练数据是合成的」。这个数字不能作为量化判断的根据。

二、能替代什么，不能替代什么

这张表要分两个维度读，不能用一个「有没有验证器」统一解释全部五行。第一维是可验证性，决定合成数据能不能规模化：能自动筛错的任务，可以大量生成；筛不掉的，生成再多也只是看起来像答案的文本。第二维是知识边界，决定合成数据能不能覆盖：教师模型不知道的事实，学生模型也学不到。专业判断这一行两维都卡——既没有验证器，教师模型也未必比人更懂。所以在可验证的维度上，合成数据能走多远取决于验证器覆盖多远；在知识维度上，取决于教师模型的知识边界。前者可以靠工程扩张，后者不能。而验证器本身，是需要人来写的。

这是理解合成数据经济学的关键：它不消灭对人的需求，而是把对人的需求从「大量的浅层判断」转移到「少量的深层设计」。这和后训练范式迁移是同一件事的两个侧面。

三、模型坍缩：证据到底有多强

模型坍缩指的是：模型反复用自己或同类模型生成的数据训练下一代，导致分布逐渐偏移、多样性丧失、罕见情况被遗忘。

这个议题最常被引用的一手证据是 Shumailov 等人 2024 年发表于《自然》的论文（该文是同一团队早前预印本的期刊版）；同期还有独立团队研究自我消费生成模型的退化。实验显示，在纯递归替换的设置下——每一轮都用上一代模型生成的数据替换真实数据——语言、视觉、扩散模型都会出现退化，尤其是分布尾部（罕见事件）的丧失；在这个设置里，退化是累积且难以逆转的。

但这个结论在产业里被过度推广了。本文据多篇技术评注概括：上述实验采用的是纯递归替换设置：每一轮都用上一代模型生成的数据替换真实数据；如果每一轮都保留真实数据，或者对合成数据做质量筛选，退化可以被显著抑制。能否完全避免，取决于真实数据比例与筛选强度，目前没有统一结论。产业上的较常见做法是「真实数据打底、合成数据放大、验证器过滤」，而不是纯合成递归（据本文观察，无采用比例数据）。

所以对模型坍缩的正确理解是：它是一个真实的机制约束，但它约束的是「偷懒的用法」，不是合成数据本身。证据的强度也要说清楚：一篇《自然》论文加若干技术评注，能证明纯递归替换会退化，不能证明「只要用了合成数据就会把模型训坏」。把前者说成后者，是过度概括。

四、它对数据生意意味着什么

如果真实数据的作用是「锚」而不是「料」，它在训练数据里的占比会下降，但绝对需求量不一定下降：如果训练总规模继续增长，真实数据可能「占比下降、绝对量持平甚至上升」。能说的方向是：对质量最高的那部分真实数据，支付意愿会上升；对大宗、可替代的真实数据，需求会被合成数据挤掉。

这和版权授权市场的方向一致：大宗、静态的内容（比如图库）授权收入出现单季下滑，Shutterstock 的数据、分销与服务收入单季同比下滑 47%，但时点与基数效应尚未排除，只能作方向印证；而稀缺、独占、持续更新的内容仍能维持价格。原因不复杂：模型能合成的东西，替代成本在下降；模型合成不出来的东西，比如昨天发生的新闻、受法规保护的临床病历、实时市场行情，替代成本不会因为模型变强而下降。

合成数据也没有让人退出。验证器要人写，任务要人设计，合成数据的错误要人发现。人的位置从「标大量数据」挪到了「设计少量规则」，单位数据所需的人力更少、单位价格更高。这是强度变化，不是总量判断：如果合成数据把可训练数据的总规模放大，总人数未必下降。

五、看到「合成数据」四个字，先问三个问题

第一，这个任务有没有可靠的质量验证办法？能自动筛错的，可以大规模用；只能靠规则或人工评审的，还要看它的可靠性、成本和覆盖范围。 第二，每一轮训练里真实数据占多大比例？纯合成递归会退化，保留真实数据能显著抑制，但真实数据占比是连续变量，1% 和 50% 的效果不同。公开研究没有给出「多少比例算安全」的统一门槛，所以这一条只能判断方向，不能当成可执行的红线。 第三，合成数据有没有经过筛选？生成一百万条不等于能用的有一百万条，验证器过滤才是关键。

把这三件事问清，就不会被「合成数据将超过真实数据」这类说法带偏。那是一个关于使用量的预测，不是说合成数据能替代真实数据的作用。真实数据在训练里的占比会低一些，但不会变得不重要；它的角色从「越多越好」变成「越准越值钱」。

资料来源

1. Gartner. AI 训练中合成数据采用率调查与预测[R]. 2026.（题名待替换）
2. Shumailov I., Shumaylov Z., Zhao Y., 等. 递归生成数据导致模型自训练坍缩[J]. Nature. 2024-07.（题名待替换）
3. Shutterstock. 数据、分销与服务分部收入披露[R]. 2025.
4. 诺辉投资研究部. AI 训练数据与语料 · 行业认知研究报告[R]. 2026-09.

数据截止 2026-09　|　相关：RLVR 是什么？和 RLHF 的区别在哪 · 强化学习环境是什么？为什么它最容易产品化，也最容易被自建 · AI 训练数据与语料 · 行业认知研究报告

编写依据

本文依据本赛道研究报告及用户授权的成品库 Markdown 摘编，素材获取于 2026-10-30。原文所列资料时点、出处及核验边界按提供稿保留；本轮未逐条回溯外部来源。