最近国内数据生成方向有一个消息引发关注一支中国数据生成团队的研究成果首次登上了 Nature 期刊。在 AI 圈常被讨论的合成数据、数据增强、大模型辅助生成等概念也因为这则新闻再次站到聚光灯下。很多开发者看到这类新闻后的第一反应是数据生成到底是怎么一回事它能直接用到日常开发里吗这篇文章不打算复述新闻稿也不展开论文细节而是从工程视角出发把数据生成技术的原理、主流算法、实战代码和评估方法完整梳理一遍。无论你是刚开始接触这个概念还是已经写过一些模型都能从中找到可以落地的内容。在讨论具体技术之前先说明本文的范围。数据生成Data Generation并不是某个单一算法而是一类技术方向的统称。它横跨概率统计、深度学习、自然语言处理等多个领域最近几年又因为大模型和扩散模型的成熟而受到更多关注。Nature 上发表的成果背后代表的是学术界对这个方向的认可但论文里的内容往往距离工程落地还有一段距离。因此本文会把重心放在“从理论到代码”的转化上用尽量简单的案例帮助你把数据生成在自己项目中跑通。1. 数据生成它到底是什么1.1 一句话理解数据生成数据生成是指通过某种算法或模型从真实数据中学习概率分布然后在该分布上采样出新的数据样本。通俗地讲就是“造数据”。比如你手里有 10 万条真实用户行为数据通过这些数据训练一个生成模型之后模型可以源源不断地产出与真实数据相似、但又不完全相同的新样本。这些新样本不是简单复制而是符合原数据统计规律的“新个体”。在 Nature 相关研究所指向的科研方向上数据生成之所以受到重视是因为它直接切中了 AI 当前的一个核心矛盾高质量数据不够用。数据生成技术能放大现有数据集的价值也能在一定程度上缓解数据隐私和合规问题。它的重要性并不限于学术研究在工业界比如金融风控、医疗影像、自动驾驶、大模型训练等场景中都有非常广泛的应用。如果你接触过“合成数据”这个概念可以把两者的关系理解成合成数据是从“数据来源”角度定义的只要不是来自真实世界采样而是由程序或算法生成的数据都可以叫合成数据数据生成则是从“方法”角度定义的强调如何用模型或算法生产数据。数据生成是合成数据的一种核心实现方式两者关注点不同但经常在同一场景中出现。1.2 为什么数据生成突然变得重要数据生成并不是一个全新的概念早在统计学习年代就有大量研究围绕“如何模拟数据分布”展开。但近几年它突然变成热点主要受以下几个因素驱动。第一模型规模增长数据需求指数级上升。以深度学习为例大模型的参数量动辄数十亿甚至更多训练所需的数据量也随之暴涨。真实世界中高质量、带标注的数据并不容易获得人工标注成本高、周期长很多团队开始用生成方法补充训练数据。第二真实数据中的隐私敏感信息越来越多。在金融、医疗、政务等领域直接使用真实用户数据会涉及法律合规风险。数据生成技术可以在保留数据统计特征的前提下生成不含真实自然人信息的替换数据从而降低数据使用门槛。这也是数据生成在产业界落地最充分的场景之一。第三真实场景中存在大量长尾情况。自动驾驶、工业质检、安防监控等领域异常事件、极端天气、稀有故障等场景出现频率很低真实采集成本极高。用生成模型扩充这些长尾样本可以显著提高模型在这些极端场景下的鲁棒性。第四数据质量不平衡问题普遍存在。很多业务系统沉淀的数据不仅噪声多而且类别分布严重倾斜。数据生成技术可以对少数类别进行过采样也可以对原有数据做去噪和增强帮助模型在更均衡的数据上训练。1.3 数据生成、数据增强与合成数据之间的区别很多初学者会把这三个词混用但它们其实并不是一回事。数据增强Data Augmentation基于已有样本做变换比如图像翻转、裁剪、旋转或者文本中的同义词替换。它不会产生“全新的身份”只是原有样本的变体。数据生成Data Generation学习数据分布并采样产物是全新的样本。这些样本在真实世界中可能不存在但只要它们符合原分布就能辅助模型训练。合成数据Synthetic Data是一个更宽泛的结果导向概念。凡是利用程序或算法生成而不是从真实世界直接采集的数据都可以叫合成数据。数据生成是实现合成数据的一种主要方法。举个例子医疗影像数据增强是在原 CT 图像上做旋转、缩放让模型看到更多角度的病变区域而医疗影像数据生成则是训练一个生成模型使其能够画出一张全新的、看起来像真实 CT 的影像。前者是“改”后者是“造”。实际工程中两者经常结合使用先用生成模型补充数量再用数据增强提高多样性。2. 数据生成的主流技术路线数据生成并没有一种万能的算法不同数据类型、不同业务需求适合的方法差异很大。下面按技术路线拆开讲解。2.1 基于概率统计的传统方法早期数据生成主要依赖概率统计模型比如高斯分布拟合、高斯混合模型GMM、马尔可夫链蒙特卡洛方法MCMC、重采样等。以 GMM 为例它假设数据来自多个高斯分布的叠加。通过 EM 算法估计出每个高斯成分的均值、协方差和权重后就可以从拟合好的混合分布中采样出新的数据点。这类方法的优点是模型简单、可解释性强、计算开销小非常适合表格型数据缺点是表达能力有限很难生成图像、文本这种高维复杂数据。在工业界传统统计方法仍然大量用于缺失值填充、合成测试数据、批量生成模拟业务数据等场景。如果你只是需要给接口测试造一批符合分布的假数据用 GMM、或者直接用随机抽样技巧往往比训练一个神经网络更高效。2.2 基于 GAN 的方法生成对抗网络GANGenerative Adversarial Network是深度学习时代最经典的数据生成框架。它由生成器Generator和判别器Discriminator两个网络组成两者之间形成一种“对抗博弈”关系。生成器的任务是把随机噪声变成看起来像真实数据的样本判别器的任务则是判断输入数据是来自真实数据集还是由生成器伪造的。二者交替训练生成器不断提升伪造能力判别器不断提升鉴别能力最终生成器输出的数据能够“以假乱真”。GAN 的优点是生成速度快在图像、音频、表格数据上都有不错的表现缺点是训练不稳定容易出现模式坍缩Mode Collapse也就是生成器只学会了输出少数几种样本多样性不足。为了缓解这些问题后续出现了 DCGAN、WGAN、StyleGAN 等改进版本。2.3 基于扩散模型的方法扩散模型Diffusion Model是近几年在图像生成领域表现最突出的方法之一。它的思路非常独特先对真实数据逐步添加高斯噪声直到数据变成纯噪声然后训练一个网络学习如何反向去噪从噪声中逐步恢复出原始数据。训练完成后只要给模型一个随机噪声它就能一步步生成出全新样本。对比 GAN扩散模型的生成质量更高模式覆盖更全不容易出现模式坍缩但代价是采样速度慢需要多次迭代去噪因此推理成本更高。Stable Diffusion 等文生图模型就属于扩散模型路线。在 Nature 相关报道所涉及的高质量生成问题上扩散模型往往更容易获得学术界的认可因为它理论基础清晰、生成过程可控且样本多样性好。2.4 基于大语言模型的合成数据生成大语言模型LLM的出现给数据生成提供了另一条完全不同的路径。LLM 本身就是一种天然的数据生成器通过设计合适的提示词Prompt可以让模型生成文本分类样本、对话数据、代码片段、逻辑推理题甚至表格数据。在实际操作中LLM 生成数据通常有几种用法。一是直接生成训练数据比如让模型生成一批“用户咨询客服”的对话对用来微调客服模型二是对已有数据进行扩写、改写、翻译提升语料的多样性三是让模型对生成的数据进行自校验过滤低质量样本实现“生成—筛选—再生成”的闭环。LLM 方法的优点是语义理解能力强、生成内容连贯尤其适合文本和代码数据缺点是推理成本高模型可能产生幻觉生成结果不一定忠实于真实业务分布因此需要配合质量校验机制。方法擅长场景输出类型主要优势主要局限概率统计表格、数值、简单时序结构化数据可解释强、稳定轻量表达能力有限GAN图像、表格、音频近似分布的样本生成快、分布逼近能力强训练不稳定、模式坍缩扩散模型图像、视频、3D高质量样本质量高、多样性强采样慢、资源开销大大语言模型文本、代码、结构化数据自然语言/代码语义强、可交互控制成本高、有幻觉风险在实际项目中很多团队不会局限于单一方法而是会组合使用用统计方法处理结构化特征用扩散模型生成图片类训练资源用 LLM 扩充文本语料。这样既控制了成本又能覆盖多种数据类型。3. 环境准备与工具链由于本文的实战部分会涉及表格数据、图像数据和文本生成三个方向我们先准备好一套通用环境。版本不需要追求最新稳定即可。3.1 运行环境与依赖建议使用 Python 3.9 或 3.1064 位操作系统即可。如果你用的是 Windows注意部分深度学习库需要匹配 Python 版本安装如果使用 Linux 服务器则相对简单。需要安装的核心依赖如下pip install numpy pandas scipy scikit-learn matplotlib pip install torch torchvision其中numpy和pandas用于数据处理scipy用于统计距离计算scikit-learn提供高斯混合模型等工具matplotlib用于结果可视化torch和torchvision用于构建和训练图像生成模型。需要注意的是如果你在 CPU 环境运行 GAN 示例训练速度会比较慢建议将epochs调小。如果有 NVIDIA GPU可以安装匹配 CUDA 版本的 PyTorch训练效率会明显提升。3.2 项目目录结构为了便于理解本文建议你将示例代码放在如下目录结构中data-generation-tutorial/ ├── generate_tabular.py # 表格数据生成示例 ├── gan_mnist.py # 图像数据生成示例 ├── text_generator.py # 文本序列生成示例 ├── quality_check.py # 生成数据质量评估 └── data/ # 模型数据存放目录每个脚本可以独立运行不需要互相依赖。如果你只是希望快速验证思路也可以直接复制单个脚本到本地执行。3.3 版本兼容说明以上代码示例使用 PyTorch 2.x 版本编写但在 1.13 等旧版本上同样可以运行。由于不同环境下 CUDA、Python 和第三方库的组合不同如果安装依赖时出现版本冲突建议优先升级或降级 pip 包而不是互相强制安装。生产中请根据你的实际环境调整版本。4. 从零实战数据生成的完整案例理论部分看再多不如亲手跑一段代码。下面我们用三个小案例分别覆盖表格数据、图像数据和文本数据的生成。每个案例都给出完整代码并解释关键步骤。4.1 案例一表格数据生成4.1.1 场景说明假设业务方有一份包含多个数值特征的真实用户数据但出于隐私保护要求不能直接开放给下游团队。我们可以用高斯混合模型拟合真实数据分布然后生成一批内容相似、但不包含真实用户的信息。这种做法的核心是无论是隐私合规还是测试环境造数我们都希望生成数据在均值、方差、相关性上尽量接近真实数据。4.1.2 核心思路先读取真实数据筛选出数值型特征然后用GaussianMixture拟合数据分布最后调用sample方法生成新样本。n_components表示混合的高斯成分数量数值越大拟合越细致但也越容易过拟合噪声。4.1.3 完整代码# 文件路径data-generation-tutorial/generate_tabular.py import numpy as np import pandas as pd from sklearn.mixture import GaussianMixture # 步骤1加载真实业务数据 # 这里用随机数据模拟一份真实数据实际使用时请替换为你的数据文件 np.random.seed(42) n_samples 2000 real_data pd.DataFrame({ age: np.random.normal(35, 8, n_samples), income: np.random.normal(12000, 4000, n_samples), score: np.random.normal(600, 100, n_samples) }) # 步骤2筛选数值特征 features real_data.select_dtypes(include[np.number]) print(真实数据统计) print(features.describe()) # 步骤3训练高斯混合模型 gmm GaussianMixture(n_components4, random_state42) gmm.fit(features) # 步骤4生成新样本 synthetic, _ gmm.sample(n_samples5000) syn_df pd.DataFrame(synthetic, columnsfeatures.columns) print(\n生成数据统计) print(syn_df.describe()) # 步骤5保存为 CSV便于下游使用 syn_df.to_csv(synthetic_tabular.csv, indexFalse)4.1.4 运行与验证运行脚本python generate_tabular.py预期输出会打印真实数据和生成数据的描述性统计。如果分布拟合得当两边的均值、标准差应该非常接近。这里需要特别注意select_dtypes(include[np.number])会过滤掉非数值列如果你的数据包含日期、ID、类别等字段需要单独处理。分类特征可以用独热编码后一并建模也可以使用更专业的合成数据工具来保留列之间的关联关系。4.2 案例二图像数据生成图像生成是数据生成中最直观、也最能体现深度学习方法优势的方向。这里我们实现一个最简单的全连接 GAN在 MNIST 手写数字数据集上训练让模型学会生成手写数字图片。4.2.1 网络结构生成器接收 100 维随机噪声经过两层全连接映射输出 784 维的像素向量。判别器接收 784 维像素向量输出一个 0 到 1 之间的概率值表示输入是真实图片的概率。训练时采用交替更新的方式先固定生成器更新判别器再固定判别器更新生成器。生成器的目标是让判别器把生成样本判定为真实数据因此它的损失来自“假样本被判别为真实”的程度。4.2.2 完整训练代码# 文件路径data-generation-tutorial/gan_mnist.py import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms import matplotlib.pyplot as plt # 生成器从噪声生成图片 class Generator(nn.Module): def __init__(self, noise_dim100, img_dim28 * 28): super().__init__() self.model nn.Sequential( nn.Linear(noise_dim, 256), nn.ReLU(), nn.Linear(256, 512), nn.ReLU(), nn.Linear(512, img_dim), nn.Tanh() ) def forward(self, z): return self.model(z) # 判别器判断输入图片是否真实 class Discriminator(nn.Module): def __init__(self, img_dim28 * 28): super().__init__() self.model nn.Sequential( nn.Linear(img_dim, 512), nn.LeakyReLU(0.2), nn.Linear(512, 256), nn.LeakyReLU(0.2), nn.Linear(256, 1), nn.Sigmoid() ) def forward(self, x): return self.model(x) def train_gan(epochs30, batch_size64, noise_dim100, devicecpu): # 数据归一化到 [-1, 1]与生成器输出 Tanh 对应 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize([0.5], [0.5]) ]) dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) loader DataLoader(dataset, batch_sizebatch_size, shuffleTrue) G Generator(noise_dim).to(device) D Discriminator().to(device) lr 0.0002 loss_fn nn.BCELoss() opt_G optim.Adam(G.parameters(), lrlr) opt_D optim.Adam(D.parameters(), lrlr) for epoch in range(epochs): for i, (imgs, _) in enumerate(loader): imgs imgs.view(imgs.size(0), -1).to(device) real_label torch.ones(imgs.size(0), 1).to(device) fake_label torch.zeros(imgs.size(0), 1).to(device) # 训练判别器 z torch.randn(imgs.size(0), noise_dim).to(device) fake_imgs G(z) d_loss loss_fn(D(imgs), real_label) loss_fn(D(fake_imgs.detach()), fake_label) opt_D.zero_grad() d_loss.backward() opt_D.step() # 训练生成器 z torch.randn(imgs.size(0), noise_dim).to(device) fake_imgs G(z) g_loss loss_fn(D(fake_imgs), real_label) opt_G.zero_grad() g_loss.backward() opt_G.step() print(fEpoch {epoch 1}/{epochs}, D Loss: {d_loss.item():.4f}, G Loss: {g_loss.item():.4f}) # 保存抽样结果 z torch.randn(16, noise_dim).to(device) sample G(z).view(16, 28, 28).cpu().detach().numpy() fig, axes plt.subplots(4, 4, figsize(6, 6)) for idx, ax in enumerate(axes.ravel()): ax.imshow(sample[idx], cmapgray) ax.axis(off) plt.savefig(gan_generated_mnist.png) plt.show() if __name__ __main__: train_gan(epochs20, devicecpu)4.2.3 训练注意事项这段代码第一次运行时会自动下载 MNIST 数据集。如果网络受限可以手动下载数据集并放到./data目录或者换成你自己准备好的图片数据集。下载问题不是算法问题但确实会影响初学者跑通流程这里先做个提醒。训练过程中你会发现判别器损失和生成器损失并不会像普通分类任务那样稳定下降这是 GAN 的正常现象。两个网络处于动态博弈中损失曲线通常会有波动。训练结束后脚本会保存一张gan_generated_mnist.png图片包含 16 张生成的手写数字图。如果训练充分这些图片看起来会像真实数字如果质量不够可以适当增加epochs或调整学习率。4.3 案例三文本序列数据生成文本数据的生成在工程上有很多方式。大模型出现之前常用的方法包括 n-gram 模型、马尔可夫链和 LSTM 语言模型。这里用一个马尔可夫链示例帮助大家理解“从文本数据中学习统计规律再生成新文本”的核心流程。4.3.1 马尔可夫链原理马尔可夫链的特点是下一个状态只依赖于当前状态与更早的历史无关。在文本生成中我们可以把句子拆成单词序列统计每个前序词组后面可能出现的下一个词的概率分布。生成时从某个词组出发不断按概率抽取下一个词就能得到一段语法结构尚可的新文本。阶数order决定依赖的上文长度。order2 时预测下一个词会依赖前两个词生成文本更连贯order1 时生成结果随机性更大。4.3.2 完整代码# 文件路径data-generation-tutorial/text_generator.py import random from collections import defaultdict def build_markov_chain(text, order2): 根据训练文本构建马尔可夫链。 chain defaultdict(list) words text.split() for i in range(len(words) - order): key tuple(words[i:i order]) next_word words[i order] chain[key].append(next_word) return chain def generate_text(chain, length100, order2): 从马尔可夫链中生成新文本。 if not chain: return key random.choice(list(chain.keys())) output list(key) for _ in range(length - order): if key not in chain or len(chain[key]) 0: break next_word random.choice(chain[key]) output.append(next_word) key tuple(output[-order:]) return .join(output) if __name__ __main__: # 示例训练语料实际使用时可替换为任意中文或英文文本 corpus 数据生成是人工智能领域的重要方向。 生成模型能够从真实数据中学习分布并创造新的样本。 这些样本可以用于数据增强、隐私保护和模型训练。 随着深度学习的发展生成技术也在不断进步。 高质量数据是模型效果的关键保障。 未来数据生成将在更多行业落地。 chain build_markov_chain(corpus, order2) result generate_text(chain, length20, order2) print(result)4.3.3 运行说明运行脚本python text_generator.py由于语料很小生成结果可能只是一句看似相关但不够完整的句子。实际工程中你需要提供足够大的语料库同时考虑清洗标点、处理英文大小写、去除停用词等问题。如果你想生成更自然的文本可以换成基于 RNN 或 Transformer 的语言模型如果你希望生成特定风格的对话则直接使用大模型接口会是更高效的选择。4.4 生成数据的质量评估生成数据不是“造出来就能用”。无论使用哪种方法都需要对生成结果做质量评估。否则低质量生成数据进入训练流程会拖累模型的最终效果。4.4.1 常用评估指标第一类是分布距离指标。常见的是 KL 散度Kullback-Leibler Divergence和 Wasserstein 距离。KL 散度衡量两个概率分布之间的不对称差异值越小说明越接近Wasserstein 距离则更平滑也常用于生成模型的评估。第二类是下游任务指标。把生成数据当作训练集的一部分训练一个分类或回归模型在原测试集上评估效果。如果加入生成数据后精度没有下降甚至有所提升说明生成数据是可用的。第三类是统计指标。对比真实数据和生成数据在均值、方差、相关系数等统计量上的差异适合表格数据的快速校验。4.4.2 评估代码示例# 文件路径data-generation-tutorial/quality_check.py import numpy as np from scipy.stats import entropy, wasserstein_distance def kl_divergence(p, q, bins30): 估计两个样本的 KL 散度。 hist_p, _ np.histogram(p, binsbins, densityTrue) hist_q, _ np.histogram(q, binsbins, densityTrue) # 加极小值避免对数计算出现负无穷 hist_p hist_p 1e-10 hist_q hist_q 1e-10 return entropy(hist_p, hist_q) np.random.seed(0) # 真实分布与生成分布 real_data np.random.normal(0, 1, 10000) synthetic_data np.random.normal(0.2, 1.1, 10000) print(KL 散度:, kl_divergence(real_data, synthetic_data)) print(Wasserstein 距离:, wasserstein_distance(real_data, synthetic_data))输出结果是两个数值。KL 散度越小说明生成特征分布越接近真实Wasserstein 距离同理。在真实项目中你不会只看一个样本的分布而是会对每个数值特征都做类似检查同时观察特征之间的相关性矩阵是否保持一致。5. 常见问题与排查思路无论是自己做实验还是团队内落地数据生成方案都会遇到一些反复出现的问题。下面整理了一份高频问题清单。问题现象常见原因解决思路MNIST 数据下载失败网络受限或存储路径无权限手动下载数据集或切换到本机已有图片数据GAN 训练时损失不下降学习率过大、网络结构过小降低学习率增加隐藏层节点先跑小批次验证生成图像全部是同一类内容模式坍缩尝试 WGAN 损失函数或降低判别器能力文本生成连续重复同一句语料不足、阶数过小扩大语料库适当提高 order或改用预训练模型表格生成数据与真实数据差异大特征分布复杂、混合数过多增加高斯成分或加入类别特征处理逻辑合成样本在隐私审计中仍能匹配到真实用户生成模型过拟合真实样本加入差分隐私训练或在生成后做 k-匿名处理排查时建议遵循一个原则先定位是数据问题、模型问题还是评估问题。数据问题通常表现为源数据质量差、字段缺失多模型问题表现为损失不收敛、生成效果差评估问题则表现为指标看起来不错但下游任务完全不可用。不要一上来就调模型参数先确认数据输入是干净的。6. 最佳实践与工程建议数据生成从论文到工程落地中间还有不少坑。下面几条经验来自我长期处理数据工程的观察希望能帮你少走弯路。第一明确业务目标后再选技术方案。如果只是给测试环境造数用统计方法就够了如果用于深度学习模型训练再考虑 GAN 或扩散模型如果是文本类任务直接评估 LLM 生成成本。很多项目失败不是因为生成算法不行而是一开始就把目标设错了。第二生成质量优先于生成数量。很多人以为生成数据越多越好于是批量生成几百万条低质量数据结果模型效果反而下降。少量高质量生成数据搭配原始数据一起训练往往比大规模灌入噪声数据更有效。给生成数据加一个置信度或质量分数机制能更好地控制输入训练集的比例。第三建立数据血缘和版本管理。生成数据也是数据资产需要记录它来自哪个模型、哪个版本、什么参数、用什么种子生成。这样一旦生成策略调整或者模型效果上线后退化才能快速定位原因。建议在生成时把元信息写入文件头或数据表字段中方便追溯。第四注意隐私边界。生成数据并不等于绝对安全。如果生成模型过拟合了真实样本它可能在生成结果中泄露真实用户信息。对隐私要求极高的场景需要在训练生成模型时加入差分隐私机制或者在生成后进行相似度审计确保生成样本和真实样本之间没有可匹配的记录。第五必须在真实下游任务上验证。分布距离指标只是辅助判断生成数据是否可用最终要看它在分类、回归、检索等真实任务上的表现。一个比较务实的做法是先仅用真实数据训练一个基线模型再加入生成数据训练第二个模型对比两者在固定测试集上的指标差异。第六关注数据漂移。生成模型训练完成后它的知识来自训练时使用的真实数据分布。如果业务环境随时间变化真实分布已经改变旧生成模型产出的数据就可能不再适用。定期用真实最新样本与生成样本做分布对比是保持生成数据有效性的必要手段。第七控制运行成本。扩散模型和大模型虽然是当前生成质量最高的方案但推理成本不容忽视。在工程化时可以先用低成本方法快速筛查候选样本再对高价值样本使用高质量生成模型精修形成多级生成管线。7. 总结与后续学习路线本文从概念、原理、代码和工程实践四个层面完整梳理了数据生成技术。你应该已经知道数据生成和以往印象中的“造假数据”并不一样它是一套严谨的技术体系GAN、扩散模型、大语言模型和传统统计方法各有适用场景生成数据的质量评估和风险管理是决定项目能否落地的关键环节。如果你接下来想深入学习我建议按下面的路径推进先用本文的代码示例把表格数据生成和文本生成跑通理解“学习分布并采样”的基本流程。再学习 GAN 的改进版本比如 WGAN、StyleGAN深入理解训练不稳定问题的根源。有条件的话研究扩散模型的数学原理从 DDPM 论文出发尝试实现一个极简版本。最后关注 LLM 合成数据的相关工具和开源项目了解工业界如何用大模型批量生产训练数据。数据生成是一个值得长期投入的方向。它不会替代真实数据但会成为真实数据的重要补充。尤其在中国团队的研究成果登上 Nature 之后这个领域会吸引更多开发者和研究者加入。建议你直接动手从一个小数据集开始实验把生成、评估、下流验证的闭环跑通。真正有价值的经验一定来自于你亲手训练过的模型而不是停留在概念层面。