合成数据（AI 训练数据） 行业研究报告

一、研究摘要 / 核心观点

合成数据（Synthetic Data）指通过算法、仿真、生成式 AI 模型人为生成、在统计分布与结构特征上逼近真实世界数据，但不直接来自真实观测的数据。其核心价值在于破解大模型训练"不够用、不好用、不能用"的三重困境——真实高质量数据枯竭、标注成本高企、隐私合规收紧。核心结论如下：

1. 市场处于高速成长期，但口径分歧显著。 全球合成数据市场规模 2025 年主流估计区间约 5.1 亿—7.65 亿美元，年复合增速普遍落在 26%—39% 之间；远期（2030—2035）规模预测跨度从 30 亿美元到 184 亿美元不等，差异源于"是否将云厂商内嵌的合成能力计入市场"（【口径差异】）（[The Business Research Company 2026](https://www.thebusinessresearchcompany.com/report/synthetic-data-global-market-report)、[360iResearch 2026](https://www.360iresearch.com/library/intelligence/synthetic-data-generation)、[Axis Intelligence 2026](https://axis-intelligence.com/synthetic-data-statistics/)）。

1. 中国市场增速领先全球，渗透率约 20%—25%。 全球合成数据市场从 2021 年 11.8 亿元扩张至 2025 年 47.6 亿元，CAGR 高达 41.8%；北美渗透率 35%—40%、欧洲 25%—30%、中国约 20%—25%，中国增速最快（[智研咨询/同花顺 2026-01](https://m.10jqka.com.cn/20260112/c673922614.shtml)）。

1. 经济性是第一驱动力：合成标注成本仅为真实数据的 1/10—1/50。 真实人工标注约 0.15—0.50 美元/条（Harvard Kennedy School 2023 AI Index），合成生成约 0.005—0.02 美元/条；MIT 研究（Nature Machine Intelligence 2024）显示合成数据在保持 94% 特征保真度的同时降低训练成本 43%（[DataHorizzon Research 2026](https://datahorizzonresearch.com/synthetic-data-software-market-64116)）。

1. 机器人/具身智能是 Sim2Real 合成数据增长最快的场景。 NVIDIA Isaac GR00T 蓝图用 11 小时生成 78 万条合成运动轨迹，相当于 9 个月人类遥操作演示数据，结合真实数据使 GR00T N1 性能提升 40%（[NVIDIA Developer 2025](https://developer.nvidia.com/blog/building-a-synthetic-motion-generation-pipeline-for-humanoid-robot-learning/)）。

1. 风险集中于"模型坍塌"与合规 liability。 Anthropic（ICML 2024）证明递归式合成训练每代降低准确率 8%—15%；ISO/IEEE 正在制定合成数据质量验证框架，版权与责任归属仍悬而未决。

二、研究背景与定义（含研究边界）

2.1 定义

合成数据是通过数学模型、生成式 AI（GAN / Diffusion / LLM）、统计与仿真手段构建、模拟真实数据分布与特征的新数据集，而非来自现实观测记录。按数据形态分为：表格（Tabular）、文本与 NLP、图像与视频、时序（Time-series）；按生成方式分为：直接建模（Direct Modeling）、基于智能体建模（Agent-Based）；按与真实数据关系分为：全合成、部分合成、混合合成（[Future Market Insights 2025](https://www.futuremarketinsights.com/reports/synthetic-data-generation-market)、[pmarketresearch 2025](https://pmarketresearch.com/auto/synthetic-data)）。

2.2 技术路线

主流路线包括：基于大模型（LLM）生成思维链式训练数据；基于 GAN / Diffusion 模型生成图像、视频与多模态样本；基于统计与仿真器（Simulator）生成物理可信数据（如自动驾驶、机器人）。实际落地常多路线协同以提升保真度（[reportify/智研咨询 2025](https://reportify.cn/tags/industry?tagValue=Synthetic%20Data)）。

2.3 细分范畴（本报告覆盖）

• 仿真生成 / 仿真器 Sim2Real：物理引擎（NVIDIA Isaac Sim/Omniverse、Cosmos）生成机器人、自动驾驶训练数据；
• 高斯/扩散合成：Diffusion、GAN 生成图像、视频、医疗影像；
• 数据标注增强：对稀缺、长尾样本做合成扩增与平衡；
• 应用领域：自动驾驶、具身智能/机器人、医疗、金融、工业。

2.4 研究边界

• 覆盖：用于 AI 模型训练的合成数据，含仿真生成、扩散/高斯合成、仿真器 Sim2Real、标注增强。
• 不覆盖（仅作对比）：纯数据标注外包服务（人工标注产业）、通用数据采集与爬取、匿名化/脱敏（与合成属不同技术路线）。

三、研究方法与数据来源（Methodology）

本报告采用案头研究（Secondary Research）+ 交叉验证法，对分歧口径并列呈现并标注【口径差异】。主要来源清单：

1. 国际市场研究机构：The Business Research Company、360iResearch、Mordor Intelligence、Fortune Business Insights、Research and Markets、Research Nester、Future Market Insights、DataHorizzon Research、Grand Research Store、pmarketresearch、Axis Intelligence（[汇总见 Axis Intelligence 2026](https://axis-intelligence.com/synthetic-data-statistics/)）；
2. 国内研究机构/媒体：智研咨询、同花顺、腾讯财经/环球网（模数共振行动报道）、今日头条（[2025-11](https://www.toutiao.com/article/7577272262223594030)）；
3. 学术与权威来源：MIT（Nature Machine Intelligence 2024）、Anthropic（ICML 2024）、Epoch AI（2024）、Harvard Kennedy School AI Index（2023）；
4. 企业与官方：NVIDIA Developer Blog、NVIDIA 官方博客（[2025-05 COMPUTEX](https://blogs.nvidia.com.tw/blog/nvidia-powers-humanoid-robot-industry-with-cloud-to-robot-computing-platforms-for-physical-ai/)）、Hugging Face（LeRobot×NVIDIA 医疗机器人案例）；
5. 政策来源：国家数据局、工信部"模数共振"行动（2026-04 联合发文）。

---