互联网上的公开文本终有用尽的一天，而模型对数据的渴求却永无止境。合成数据——由AI生成的训练数据——正在从备选方案升级为大模型工业化的关键基础设施。
真实数据的天花板
高质量语料的枯竭已是行业共识：通用网页数据被快速消耗，高质量书籍、论文、代码存量有限，且受版权与隐私约束越来越紧。合成数据提供了一条绕开稀缺与合规限制的路径。
合成数据怎么用
实践中主要有三种玩法：用强模型生成指令-回答对，蒸馏能力到小模型；为数学、代码等可验证领域批量构造带标准答案的训练样本；对敏感数据做脱敏改写，保留统计特征去除隐私。数学与代码领域的实证尤其亮眼——可验证的正确性让合成数据的质量可以被自动筛选。
泡沫与理性并存
风险同样存在：模型自产数据训练可能导致”近亲繁殖”，多样性坍塌、错误被放大。业内共识是混合策略——真实数据锚定事实底座，合成数据扩展覆盖与增强，而非完全替代。
数据是AI时代的石油，而合成数据是炼油厂。谁掌握了高效、可信的合成数据流水线，谁就掌握了模型迭代的主动权。
