在开发尊重隐私的 AI 时，合成数据技术已成为一项关键支撑；分析师预测，未来十年内大部分 AI 训练数据都将是合成数据。各类机构正在用合成数据应对日趋严格的全球隐私法规，同时扩大 AI 的规模、覆盖范围与稳健性。
趋势与统计数据
采用情况与市场走势
市场分析师估计，2020年代之内，AI 训练数据的 60%–80% 将是合成数据，使用量稳步上升。在银行等强监管行业，同一批估算认为，75% 的大型银行会在 AI 项目中依赖合成数据，典型场景包括欺诈检测和数字化开户。这些都是分析师的预测，不是实测数据。
法规与隐私带来的压力
根据行业估算，隐私法规目前覆盖全球约 79% 的人口，包括 GDPR、美国各州法律、中国的《个人信息保护法》（PIPL）以及海湾地区正在形成的法规。传统匿名化方法可能让数据可用性下降 30%–50%，并在某些数据集中留下最高 15% 的重识别风险。合成数据被认为是更稳健的做法：它复现统计规律，却不包含真实的个人记录。
对性能与成本的影响
在一些已报告的基准测试中，用精心设计的合成数据训练出的模型，性能可以追平、甚至略微超过只用真实数据训练的模型。例如准确率可达 60%，而只用真实数据训练为 57%。此外，使用合成数据可能使数据获取成本最高降低 47%。
合成数据在保护隐私的安全 AI 中的作用
定义与目的
合成数据由算法生成，用来模仿真实数据的统计分布、相关性和边缘情况，同时不包含可识别到真实个人的记录。典型用途包括：真实数据有限、敏感、分散在孤岛中或成本过高时，用它训练机器学习模型；以及在不暴露生产数据的前提下测试软件和 AI 系统。
隐私层面的价值主张
合成数据集是生成出来的，因此可以保留统计可用性，同时去掉直接标识符和可被还原的记录。在许多工作流程中减少甚至不再使用个人数据，从而帮助机构遵守 GDPR、CCPA 和 PIPL 等法律。此外，当数据驻留或数据本地化规则不允许原始数据跨境流动时，它们让跨境的分析与 AI 开发成为可能。
新兴技术与方法
面向结构化与非结构化数据的生成模型
生成对抗网络（GANs）通过从真实数据集中学习联合分布，被广泛用于生成逼真的图像、表格数据和时间序列。在金融交易、传感器数据以及自动驾驶场景这类图像密集的领域，GANs 很常见。
变分自编码器（VAEs）及相关架构把数据编码为一个潜在分布，再把样本解码回来，从而生成平滑的合成变体。适用于连续特征，也适用于近似但自洽的真实感即可满足要求的领域。
仿真与数字孪生
基于仿真的合成数据，用基于物理的模型或基于智能体的模型，为自动驾驶车辆和机器人生成数据，比如罕见的边缘情况、异常天气或道路事件。数字孪生则支持在不干扰实际运营的前提下测试“如果……会怎样”的场景。
混合数据策略
许多机构采用混合模式：用真实数据打底并做验证，用合成数据增强稀有类别、平衡人口统计分布，或支持对外协作。往往先用少量、受到良好控制的真实数据微调模型，再生成大规模合成数据集，用于稳健训练和场景覆盖。
嵌入合成数据流水线的隐私增强技术
差分隐私（DP）加入数学上有界的噪声，使任何个体在训练数据中出现与否都不会显著改变结果。它既可以用在生成模型的训练阶段，也可以用在生成之后的评估阶段。重识别测试和成员推断测试则用来确保合成记录无法关联回具体的个人或训练记录。
分行业的现有用法与趋势
金融服务
在欺诈检测、AML（反洗钱）测试、信用风险建模和数字化开户流程中已有大量使用。据报告，合成交易数据的可用性等效度可达 96%–99%，可在各种监管场景和欺诈场景下测试监控系统，而不暴露客户数据。
医疗与生命科学
合成病历让临床研究和算法开发可以在没有患者直接标识符的情况下进行，也让受健康隐私法规限制的机构之间能够共享数据。
自主系统与机器人
合成传感器数据和虚拟环境支持感知与规划模型的训练，覆盖现实世界中不易观察到的罕见、危险或异常情况。
软件测试与业务分析
生产数据的合成副本被用于开发与测试环境：在这些环境里，使用真实客户数据会违反内部或外部政策。也用于负载测试、韧性检查以及在保护隐私的前提下开发分析能力。
治理、风险与验证趋势
尽管在隐私上有优势，合成数据并不自动等于没有风险。当前的研究和实践都把重点放在治理与验证上。
质量与真实感的挑战
合成数据可能漏掉罕见的异常或复杂的相互依赖关系；验证一旦薄弱，模型在边缘情况下就会变得脆弱。模式崩塌（GANs 只产出有限的多样性）这类问题也会降低数据的代表性。
偏见与“潜意识学习”
如果缺乏仔细监控，合成数据生成器可能继承并放大训练数据中的偏见。关于“潜意识学习”的研究显示，教师模型中隐藏的偏见或反社会倾向，即使去掉了明显的标记，也可能传递到合成输出中，带来安全与公平性风险。
与法规及治理对齐
正在成形的 AI 法规和治理框架都强调：必须记录数据来源、生成方法和验证指标。即使使用合成数据，影响评估和偏见测试依然关键，对高风险 AI 系统尤其如此。
行动指南：保护隐私的合成数据最佳实践
策略与场景规划
优先处理风险高、卡点多的领域。从真实数据最难使用的地方入手：受严格监管的 PII/PHI、跨境共享，或需要接触罕见事件（欺诈、安全事件）的系统。
生成环节的技术做法
按数据类型和风险选择生成方法。监管风险高的结构化/表格数据，用统计方法 + GAN/自编码器的混合模型。领域知识充分的物理环境（自动驾驶、工业运行），用仿真/数字孪生。
验证与监控
做多维度评估：统计相似度、任务层面的可用性、隐私风险。对照政策或公平性目标，检查关键的人口统计变量和结果变量是否存在偏见或偏见放大。
组织与政策层面的措施
把合成数据纳入数据治理框架。对合成数据采取分级的保障措施：风险虽然低于原始 PII，但仍然影响模型行为，因此必须纳入治理。与隐私设计原则保持一致：记录为何选择合成数据、对哪些个人数据做了最小化、风险如何评估。
前瞻性创新
AI 原生的合成数据平台正变得更常见：它们自动剖析真实数据集、给出生成策略，并根据验证结果持续改进合成输出，从而减少人工调参。把合成数据实时流式送入在线测试与仿真，是金融与运营场景中正在形成的一种模式。
这份综述可以当作指南，用来设计或复核面向隐私安全 AI 的合成数据策略：先从高风险的使用场景入手，选择合适的生成方法或仿真方法，把隐私保护与验证嵌入流水线，并让所有环节跟上不断演进的治理与监管预期。
