TL;DR
合成数据是人工生成的数据，模拟现实世界数据的统计属性，而不包含实际的个人记录——实现ML训练、测试和研究，同时保留隐私。它是使用技术如GAN、变分自编码器、大型语言模型和基于规则的生成创建的。Gartner预测，到2026年，75%的企业将使用GenAI进行合成客户数据，市场预计将超过23亿美元。Waymo运行100:1的合成与真实里程（20亿模拟与200万真实）。正确生成和验证的合成数据不在GDPR的个人数据范围内——但这需要正式验证通过距离最近记录指标，并且它最好与真实数据一起使用，而不是作为替代。
什么是合成数据？
合成数据是人工生成的数据，模拟现实世界数据的统计属性，而不包含实际的个人记录。
它是使用技术如生成对抗网络（GAN）——两个神经网络竞争生成真实数据；变分自编码器（VAE）——编码真实数据模式并生成新样本；大型语言模型——生成文本、对话和结构化数据；和基于规则的生成——应用领域知识创建有效数据。
合成数据研究将此AI生成的数据应用于ML训练、测试和研究——与合成用户密切相关，后者模拟受众反馈，而不是数据集。
合成数据统计
| 统计 | 来源 |
|---|---|
| 到2026年，75%的企业将使用GenAI进行合成客户数据 | Gartner |
| 23亿美元：预计合成数据市场到2030年 | 市场研究 |
| 100:1的合成与真实里程在Waymo（20亿模拟与200万真实） | Waymo |
| 到2030年，70%的隐私违规处罚可以通过合成数据避免 | 市场研究 |
| 加利福尼亚州AB 2013（2026年1月1日生效）要求披露AI训练中合成数据的使用 | 加利福尼亚州立法机构 |
为什么合成数据在2026年很重要
| 挑战 | 合成数据如何帮助 |
|---|---|
| 隐私法规（GDPR、CCPA） | 合成数据如果正确生成，不是个人数据 |
| 有限的真实训练数据 | 填补“长尾”边缘情况 |
| 数据访问限制 | 生成无法收集的数据 |
| 偏差检测 | 创建受控数据集以测试公平性 |
| 数据收集成本 | 无需招募成本即可扩大规模 |
GDPR和隐私合规
关键法律框架区分可逆的匿名化和真正的匿名化：
- •可逆的匿名化（可逆的，Recital 26）=仍然是GDPR第4条下的个人数据
- •真正的匿名化（不可逆的，Recital 26）=不是个人数据
- •合成数据可以满足匿名化标准，如果生成过程正式打破了与可识别个人的统计链接
- •验证所需：距离最近记录（DCR）指标确认没有重新识别风险
用例
对话式AI训练
生成隐私安全的对话数据集用于聊天机器人和语音助手。
自动驾驶车辆
模拟罕见场景（边缘情况、危险情况）。
医疗AI
在不违反HIPAA的情况下训练模型于合成患者数据。
金融建模
生成欺诈模式和压力测试场景。
用户体验研究
合成用户反馈用于快速迭代。
顶级工具（2026）
Gretel/NVIDIA
隐私安全的合成数据，符合HIPAA/GDPR。
MOSTLY AI
企业合成数据平台。
K2view
按需生成，具有监管合规性。
Tonic.ai
面向开发者的合成数据。
限制（诚实评估）
模型崩溃风险
如果AI仅训练于合成数据，质量会随着世代的推移而恶化。
边缘情况覆盖
合成数据可能会错过罕见但重要的现实世界场景。
验证开销
证明数据是真正匿名的需要技术验证。
不适用于突破性洞察
合成数据反映已知模式；真正新颖的行为需要真实观察。
常见问题
什么是合成数据？
合成数据是AI生成的数据，模拟现实世界的统计属性，而不包含实际的个人信息——用于ML训练、测试和研究，同时保留隐私。
合成数据是否符合GDPR？
如果正确生成和验证，合成数据不在GDPR的个人数据范围内（Recital 26）。然而，这需要正式验证，以确保没有重新识别的风险。
合成数据可以替代真实数据用于AI训练吗？
合成数据最好与真实数据一起使用，而不是作为替代。"模型崩溃"现象表明，仅在合成数据上训练的AI会随着时间的推移而恶化。
合成数据的最大用例是什么？
自动驾驶车辆模拟是最大的消费者，按体积计算——Waymo已记录20亿模拟里程，相比200万真实里程。
合成数据的成本是多少？
成本差异很大。一些平台提供免费层；企业解决方案的价格从每年几千美元到几十万美元不等，取决于规模和功能。
相关阅读
生成合成对话数据
ArgumenTroupe生成多人格讨论——结构化、多样化、隐私安全的对话数据，您可以用于研究、测试和ML训练。