把3D Gaussian Splatting（3DGS）路线、以及这轮新补充的 simulator-as-supervision 与 embodied real-to-sim-to-real 证据放在一起看，2025–2026 年已经出现了一个相当明确的判断：仿真数据、物理模拟数据与高质量 synthetic data 不再只是训练集的廉价补丁，而正在成为视觉大模型、多模态大模型、视频模型与具身模型的结构性能力来源。 这个判断不是建立在单篇论文上，而是建立在多条相互支撑的证据链上：它们分别证明 synthetic / simulation data 可以显著改善物理一致性、未来状态预测、直觉物理理解、组合泛化、文本密集视觉理解、垂直领域预训练、持续学习稳定性、3D 场景表征学习，以及 sim-to-real transfer gap。
更重要的是，变化并不只在“量”。从 PhysInOne、Scene Dynamic Field、Medical Synthetic MedVLP、SPARCL、CoSyn，到 SceneSplat、SceneSplat++、Generative Gaussian Splatting、EmbodiedSplat 与 ReaDy-Go，可以看到合成数据的价值正从 data augmentation 升级为 structured capability injection，甚至进一步升级为 trainable world interface。也就是说，真正有价值的不是 synthetic data 更便宜，而是它能以真实世界数据难以稳定提供的方式，把物理规律、长尾关系、文本结构、三维一致性、视角约束、动态障碍、场景语义和环境特异性注入训练流程。
在产业端，合成数据生成（SDG）已经成为企业级 AI 战略的核心。全球领先的技术提供商和咨询机构的数据表明，SDG 市场正以超过 30% 的年复合增长率扩张。到 2030 年，AI 模型中合成数据的使用量预计将超过真实数据。企业客户正通过采用合成数据方案，在自动驾驶、具身智能、医疗健康和工业制造等领域实现高达 70% 的数据准备成本节约，同时规避了真实数据带来的隐私与合规风险。
2025–2026 的核心变化，不仅是“大家开始用 synthetic data”，而是 synthetic data 正在从样本层，上升为企业 AI 基础设施、表示层与监督层。
合成数据生成市场正在经历爆发式增长，这主要由数据隐私法规的收紧、真实数据采集成本的高昂以及 AI 模型对多样化训练数据需求的急剧增加所驱动。
根据 Fortune Business Insights 的数据，2025 年全球合成数据生成市场规模约为 6.03 亿美元，预计到 2034 年将增长至 69.05 亿美元，预测期内复合年增长率（CAGR）高达 31.10% [1]。而在中国市场，根据沙利文发布的《2025年中国合成数据解决方案发展洞察》，市场规模从 2021 年的 11.8 亿元人民币迅速扩张至 2025 年的 47.6 亿元人民币，预计 2025-2030 年的 CAGR 将达到 33.8%，到 2030 年全球市场规模将突破 200 亿元人民币 [2]。
Gartner 的权威预测进一步证实了这一趋势：到 2024 年，超过 60% 的 AI 模型训练数据将是合成数据（相比 2021 年仅占 1%），而到 2030 年，合成数据将全面超越真实数据，成为 AI 训练的主导数据源 [3]。
| 预测机构 | 当前市场规模/采用率 | 未来预测与增长率 | 核心洞察 |
|---|---|---|---|
| Fortune Business Insights | 2025年 6.03 亿美元 | 2034年 69.05 亿美元 (CAGR 31.10%) | 表格数据增长最快，北美市场目前占据主导地位 (35.99%) |
| 沙利文 (Frost & Sullivan) | 2025年 47.6 亿元人民币 (中国) | 2030年突破 200 亿元人民币 (CAGR 33.8%) | 合成数据将转向“1%人类数据+99%高效合成”的混合模式 |
| Gartner / Vention | 2026年企业采用率达 46% | 2030年合成数据将占 AI 训练数据的绝大多数 | 75% 的企业将在 2026 年使用 GenAI 创建合成客户数据 |
对于企业客户而言，转向合成数据不仅仅是技术路径的演进，更是显著的降本增效和风险规避手段。
1. 极具破坏性的成本节约（Cost Reduction）
传统的人工数据标注成本高昂，根据复杂度的不同，每条标注成本在 $0.50 到 $5.00 之间。在医疗等高门槛领域，需要执业医师参与的 QA 标注成本甚至高达 $50 到 $100 每条。相比之下，合成数据的生成速度比人工标注快 50 倍。行业报告显示，采用合成数据解决方案可以为企业带来高达 70% 的数据准备和测试成本降低 [4]。
2. 突破长尾场景与罕见案例（Edge Cases）瓶颈
在自动驾驶和具身智能等领域，收集真实世界中的危险或罕见场景（如极端天气、连环车祸）不仅成本极高，且存在安全风险。通过仿真平台（如 NVIDIA Omniverse 和 Waymo World Model），企业可以无限制地生成这些边缘案例。Waymo 已经在仿真环境中行驶了超过 200 亿英里，以识别其车辆在公共道路上可能遇到的最具挑战性的情况 [5]。
3. 解决隐私与合规痛点（Privacy & Compliance）
随着 GDPR、CCPA 和 HIPAA 等数据保护法规的实施，直接使用真实用户数据面临巨大的法律风险。合成数据保留了原始数据的统计特征，但不包含任何真实的个人可识别信息（PII）。这使得金融（BFSI）和医疗健康等对隐私要求极高的行业能够安全地进行模型训练、数据共享和算法交易。例如，SoftBank 已经开发了带有差分隐私保护的合成数据管线，用于其行业大模型的安全训练 [6]。
| 行业领域 | 核心痛点 | 合成数据解决方案与案例 | 业务收益 |
|---|---|---|---|
| 自动驾驶与出行 | 真实道路测试无法覆盖所有危险和极端场景，传感器数据采集昂贵。 | Waymo 推出 World Model，利用数十亿英里的仿真数据训练模型；Tesla 使用 Unreal Engine 生成合成训练数据。 | 显著降低物理测试风险，模型能更好地应对长尾路况，加速 FSD 系统迭代。 |
| 具身智能与机器人 | 人类演示数据收集困难，机器人跨环境泛化能力差。 | NVIDIA 推出 Isaac GR00T-Dreams 和 GR00T-Mimic，通过少量人类演示生成海量合成轨迹数据。 | 机器人可在未见过的环境中零样本学习新任务，减少对真实硬件的依赖。 |
| 工业制造 | 生产线数据难以大规模采集，缺陷样本稀缺。 | BMW 和 Siemens 部署全面数字孪生（Digital Twin），在物理生产前进行系统建模和模拟。 | BMW 通过虚拟工厂和合成数据使工厂运营效率提升了 20%。 |
| 医疗健康 | 患者数据隐私受限，罕见病样本极少，专家标注成本极高。 | 使用合成图像和文本对（如 Medical Synthetic MedVLP）进行医疗视觉语言预训练。 | 纯合成数据训练的模型在 AUC 指标上甚至超越了仅使用真实数据的模型。 |