一句话说清：让 AI 模型自己“出题、写答案、编教材”来当别的模型的训练资料，而不是全靠从网上扒真实人类的文字。
1. 它到底在说什么
合成数据（Synthetic Data）指的是由程序或模型“造”出来的数据，而不是从真实世界里发生的事、测出来的数里直接采集的。放到大模型语境里，它的意思很直接：用已经训练好的模型去批量生成训练样本——可以是指令和回答、讲解和例题，也可以是数学题与代码，甚至是“哪个回答更好”的偏好判断。
打个比方：过去训练一个会聊天的模型，像请几千个外包把“用户问题—标准答案”一条条写下来，又贵又慢。合成数据相当于让一个已经很会写的老师，照着十几道样题，自己编出上万道同类题和答案。数据不是“真事”，但只要编得质量高、覆盖全，拿来练新学生一样有效。
2. 为什么现在这个词很热
这条路线真正被推到台前，靠的是一连串低价高产的实证研究。2022 年 12 月，华盛顿大学与艾伦人工智能研究院（AI2）提出 Self-Instruct（自指令）方法，只用约 175 条人类写的种子任务，就让 GPT-3 自己生成了上万条新指令-回答对，指令跟随能力较基线提升约 33 个百分点。2023 年 3 月，斯坦福 Alpaca 沿用同一套思路，用 text-davinci-003 生成约 5.2 万条样本、花费不到 600
