合成数据会阻碍生成AI的进步还是被证明是必不可少的突破？

理解合成数据：人工智能及其他领域的变革者

随着生成式AI的出现，我们对合成图像和文本并不陌生。但你听说过合成数据吗？正如其名，这是人为创建的数据，用以替代真实数据。这一创新工具在医疗、金融、汽车行业，尤其是人工智能领域，正在掀起波澜。

在South by Southwest (SXSW) 的一次AI会议上，合成数据在我们数字时代的重要性得到了凸显，该会议主题为“模拟数据对AI及未来的影响”。此次会议深入探讨了合成数据如何增强生成式AI，同时也讨论了潜在的缺陷。

小组讨论邀请了来自NVIDIA的Mike Hollinger、Typeform的Oji Udezue以及Texas State University的Tahir Ekin等专家。他们对这项技术普遍持乐观态度。Udezue评论道：“对我们来说，[合成数据]使我们能够以更低的成本和更高的质量构建正确的事物——这是终极目标，”他强调了其价值。

合成数据的优势

合成数据提供了一种模拟现实场景的方法，在这些场景中，收集真实数据可能过于昂贵、耗时或引发隐私问题，特别是在处理敏感金融数据时。其受欢迎程度近期激增，这得益于其在训练和优化AI及机器学习模型中的关键作用，随着这些技术的快速发展，这一点至关重要。

Hollinger解释说：“在ChatGPT、Gemini、Claude、DeepSeek或任何这些模型中，其训练数据中很可能包含一个合成生成步骤。”这一过程涉及使用合成数据来增强和多样化训练材料，从而实现更稳健的模型训练。

合成数据对AI模型尤其有益，因为它们需要大量、多样化且高质量的数据集来进行有效训练。这些数据集可能很难获取，尤其是对于非公开来源的细分或专有数据集。Gartner最近的一份报告将合成数据列为2025年的主要趋势，建议使用它来填补洞察力的空白或替换敏感数据以增强隐私保护。

合成数据的风险

生成合成数据涉及使用复杂算法来模拟真实数据的模式和结构。然而，就像任何AI输出一样，存在偏差风险，可能对结果产生重大影响。Hollinger以会议当天的一个例子说明，由于夏令时调整，那天有23小时。如果合成数据集中包含受此类时间变化影响的一天，可能会导致模型准确性出现偏差。

确保合成数据扎根于现实场景至关重要，以避免这些差异并保持准确性。然而，Udezue指出了挑战：“人类以不可预测的方式不可预测。你如何为80亿人的变化进行预测？”

除了技术问题，构建对合成数据的信任是一个重大障碍。关于其生成、验证和使用的透明度至关重要，或许可以通过模型卡来实现。Ekin提出了一个相关问题：“从用户角度来看，我们在使用这些AI工具，但你对乘坐一辆未在道路上测试、仅使用模拟数据测试的自动驾驶汽车有何感受？”

展望未来：合成数据的未来

尽管存在这些挑战，小组成员对合成数据在AI及其他领域未来的作用表示乐观。Udezue总结道：“模拟数据如果使用得当，将提升科学、软件和行业，但我们必须确保治理和透明度正确，否则我们无法充分利用其潜力，”他强调了适当管理和开放性的必要性，以真正发挥其潜力。