合成数据与 AI4S：数据与科学新范式实践调研与分析

目录

一、问题背景：为什么“数据与科学”正在同时换挡

（一）真实数据的四重瓶颈

1. 稀缺性瓶颈

2. 成本瓶颈

3. 隐私与合规瓶颈

4. 分布偏差瓶颈

（二）科学研究的传统瓶颈

1. 搜索空间巨大

2. 实验成本高

3. 多尺度耦合困难

4. 知识碎片化

二、合成数据：从“数据替代品”到“模型燃料系统”

（一）合成数据的定义与本质

（二）合成数据的技术谱系

1. 统计合成数据

2. 仿真合成数据

3. 生成式合成数据

4. 世界模型生成数据

（三）合成数据生产系统

（四）合成数据的实践价值

1. 解决数据稀缺

2. 降低采集与标注成本

3. 支持隐私保护

4. 支持安全测试

（五）合成数据的核心风险：从“数据污染”到“模型坍缩”

1. 模型坍缩的机制

2. 风险本质

三、AI4S：从辅助工具到科学发现新范式

（一）AI4S 的定义

（二）AI4S 的三层能力

1. 感知层：读懂科学数据

2. 建模层：学习科学规律

3. 生成层：提出新候选

（三）AI4S 科学发现闭环

四、关键实践案例调研

（一）生命科学：AlphaFold 3 与分子相互作用预测

1. 实践意义

2. 深层影响

3. 局限

（二）药物研发：生成式 AI 从候选分子走向临床验证

1. 传统药物研发痛点

2. 实践判断

（三）材料科学：GNoME 与 A-Lab 的“预测—合成”闭环

1. 材料发现的新逻辑

2. 深层意义

（四）气候与地球系统：从数值模拟到 AI 基础模型

1. AI 气候模型的混合路线

2. 实践价值

3. 风险边界

五、合成数据与 AI4S 的共同底层逻辑

（一）共同逻辑一：从数据采集到数据生成

（二）共同逻辑二：从静态数据集到动态闭环

（三）共同逻辑三：从相关性建模到因果与物理约束

六、实践落地方法论：企业与科研机构如何建设能力

（一）建立“真实数据 + 合成数据”的混合数据架构

1. 数据分层

2. 应用原则

（二）建立合成数据质量评估体系

（三）建立 AI4S 研发平台

1. 数据层

2. 模型层

3. 仿真层

4. 实验层

5. 治理层

七、风险治理：新范式必须有新护栏

（一）数据真实性风险

（二）隐私泄露风险

（三）模型坍缩风险

（四）科学可解释性风险

（五）自动化实验风险

八、未来趋势：合成数据与 AI4S 的五个演进方向

（一）趋势一：世界模型成为合成数据核心引擎

（二）趋势二：科学基础模型成为科研基础设施

（三）趋势三：自动化实验室推动科学发现工业化

（四）趋势四：人机协同成为科学组织新形态

（五）趋势五：数据治理成为核心竞争力

九、结论：新范式的核心不是“更多数据”，而是“可验证的生成闭环”

参考链接说明

干货分享，感谢您的阅读！

人工智能正在进入一个新的发展阶段：一方面，真实数据的边际获取成本、隐私约束、长尾稀缺性与标注瓶颈，正在推动“合成数据”成为模型训练、系统验证和场景推演的重要燃料；另一方面，AI for Science（AI4S）正在重构科学研究流程，使药物研发、蛋白质结构预测、气候模拟、材料设计等领域从“经验—实验—验证”的线性模式，转向“数据—模型—仿真—实验—反馈”的闭环范式。

本文认为，合成数据不是简单的“假数据”，AI4S 也不是传统科研的软件工具化。二者共同指向一种更深层的技术范式迁移：通过世界模型、生成模型、物理仿真、知识图谱与自动化实验平台，人类开始在数字空间中构造可控、可验证、可迭代的“第二实验场”。在这一实验场中，数据不再只是被动采集的资源，而成为可设计、可生成、可评估、可治理的生产要素；科学不再只依赖低通量实验，而逐步走向机器假设生成、仿真筛选、自动实验和人机协同发现。

一、问题背景：为什么“数据与科学”正在同时换挡

（一）真实数据的四重瓶颈

过去十年，深度学习的核心逻辑是“更大模型 + 更多真实数据 + 更多算力”。但进入大模型与科学智能阶段后，这一路径正在遇到结构性瓶颈。

1. 稀缺性瓶颈

在自动驾驶、医疗影像、金融风控、工业质检、极端气候、罕见病研究等领域，真正有价值的数据往往不是平均场景，而是低频、复杂、高风险、难复现的长尾场景。例如自动驾驶最需要的是极端天气、遮挡、突发横穿、复杂施工等边缘案例；药物研发最需要的是小样本、高价值、机制复杂的实验数据；气候研究最关心的则是极端事件与长期演化。

2. 成本瓶颈

高质量数据不仅要采集，还要清洗、标注、校验、脱敏和持续更新。医学、生命科学、材料科学中的数据尤其昂贵，因为每一个样本背后可能对应一次实验、一次临床观察、一次仪器测量，甚至数月到数年的研发周期。

3. 隐私与合规瓶颈

医疗、金融、教育、公共治理等场景中的数据高度敏感。真实数据共享面临个人隐私、商业秘密、跨境传输和监管合规压力。仅依赖真实数据，会限制跨机构协作和模型泛化能力。

4. 分布偏差瓶颈

真实数据并不天然“真实地代表世界”。它往往带有采样偏差、历史偏见、地域差异和设备差异。直接用真实数据训练模型，可能把既有偏见放大为算法偏见。

（二）科学研究的传统瓶颈

传统科研遵循“提出假设—设计实验—观测结果—修正理论”的路径。这一路径严谨但慢，尤其在以下场景中效率受限：

1. 搜索空间巨大

蛋白质、药物分子、晶体材料、催化剂、电池材料、气候状态空间都具有组合爆炸特征。人类经验只能探索极小区域。

2. 实验成本高

药物候选分子的筛选、材料合成、临床试验、气候情景模拟都成本高昂，失败率也高。

3. 多尺度耦合困难

生命科学涉及原子、分子、细胞、组织、个体；气候科学涉及海洋、大气、陆地、生物圈；材料科学涉及电子结构、晶格、缺陷、宏观性能。传统模型很难同时处理跨尺度关系。

4. 知识碎片化

科学知识分布在论文、数据库、实验记录、仪器数据和专家经验中。如何把这些知识组织成可计算、可推理、可生成的系统，是 AI4S 的关键挑战。

二、合成数据：从“数据替代品”到“模型燃料系统”

（一）合成数据的定义与本质

合成数据是通过统计模型、仿真系统、生成模型或世界模型人工生成的数据，用于模拟真实数据的统计特征、结构关系、行为模式或物理规律。[S1]

它的本质不是“虚构”，而是在可控条件下重建数据分布。高质量合成数据应同时满足四个要求：

（二）合成数据的技术谱系

1. 统计合成数据

基于概率模型、贝叶斯网络、Copula、重采样等方法生成结构化表格数据，常用于金融、医疗、政务统计和风控建模。

2. 仿真合成数据

通过物理引擎、数字孪生、仿真平台生成数据，适合自动驾驶、机器人、工业制造、航空航天和城市治理。其优势是可控制变量，可构造真实世界中难以采集的边缘场景。

3. 生成式合成数据

利用 GAN、VAE、扩散模型、Transformer、多模态生成模型生成文本、图像、视频、语音、分子结构或实验数据。大模型时代，生成式合成数据开始成为训练、微调、对齐和评测的重要来源。

4. 世界模型生成数据

世界模型不仅生成“样本”，更试图学习环境的状态转移、因果约束和物理规律。例如面向机器人和自动驾驶的世界模型，可以生成多视角、时序一致、可交互的视频场景，用于训练智能体在虚拟世界中学习行动策略。[S11]

（三）合成数据生产系统

这张图说明，合成数据的关键不在“生成一次”，而在“持续校准”。没有真实数据反馈的合成数据会逐渐偏离现实；没有评估体系的合成数据会制造虚假的模型性能提升。

（四）合成数据的实践价值

1. 解决数据稀缺

在低资源语言、罕见病、极端天气、金融欺诈、工业故障等场景，真实样本数量不足。合成数据可以扩充训练集，提高模型对罕见事件的识别能力。

2. 降低采集与标注成本

通过仿真环境自动生成带标签的数据，可显著降低人工标注成本。例如在自动驾驶中，虚拟道路、车辆、行人、天气、光照和事故场景可以被系统化生成。

3. 支持隐私保护

在医疗和金融领域，合成数据可在不直接暴露真实个人记录的情况下支持算法开发、跨机构协作和模型测试。但必须强调：合成数据不是天然匿名化，也不是隐私保护的万能解药。

4. 支持安全测试

对于高风险系统，真实世界试错代价过高。合成数据与仿真测试可构造大量极端场景，在部署前发现模型脆弱性。

（五）合成数据的核心风险：从“数据污染”到“模型坍缩”

合成数据最大的误区，是把“可无限生成”误解为“可无限替代真实数据”。研究显示，如果模型递归地使用上一代模型生成的数据训练下一代模型，且缺乏真实数据校正，可能出现“模型坍缩”：原始数据分布中的长尾信息逐渐消失，模型输出越来越同质化、贫乏化，最终偏离真实世界。[S2]

1. 模型坍缩的机制

2. 风险本质

模型坍缩并不是单一技术问题，而是数据生态问题。它提醒我们：真实世界数据、人工验证数据、实验反馈数据仍然是 AI 系统维持现实锚点的关键资产。

三、AI4S：从辅助工具到科学发现新范式

（一）AI4S 的定义

AI4S，即 AI for Science，是指利用机器学习、深度学习、生成模型、知识图谱、强化学习、自动化实验和科学计算，加速科学问题求解与科学发现的技术体系。

它不只是“用 AI 分析科研数据”，而是把 AI 嵌入科学发现全过程：

（二）AI4S 的三层能力

1. 感知层：读懂科学数据

AI 可以处理图像、序列、谱图、分子结构、实验记录、论文文本、传感器数据等多模态科学数据。

2. 建模层：学习科学规律

AI 不仅拟合数据，还学习结构—性质关系、分子相互作用、材料稳定性、气候动力学和实验条件之间的复杂映射。

3. 生成层：提出新候选

生成模型可以提出新的分子、新蛋白、新材料、新实验配方和新仿真情景。AI4S 的关键跃迁，正是从“预测已有对象”走向“生成未被发现的对象”。

（三）AI4S 科学发现闭环

AI4S 的核心不是把科学家替代掉，而是把科学家的搜索半径从“少量可承受实验”扩大到“海量数字候选 + 少量高价值验证”。

四、关键实践案例调研

（一）生命科学：AlphaFold 3 与分子相互作用预测

AlphaFold 2 解决了蛋白质结构预测中的关键难题，而 AlphaFold 3 进一步扩展到蛋白质、核酸、小分子、离子和修饰残基等多类生命分子的复合体结构预测。[S3]

1. 实践意义

过去，蛋白质结构和相互作用往往依赖冷冻电镜、X 射线晶体学、核磁共振等实验手段，周期长、成本高、失败率高。AlphaFold 系列模型把大量结构预测从实验瓶颈转移到计算瓶颈，大幅改变了生命科学研究的前置流程。

2. 深层影响

AlphaFold 3 的意义不仅在于“预测更准”，而在于它开始接近药物研发中的核心问题：分子如何相互作用。药物分子能否结合靶点、蛋白质复合物如何形成、核酸与蛋白如何协同，这些都决定了生命过程和药物机制。

3. 局限

结构预测并不等于功能理解。生命系统存在动态构象、细胞环境、浓度效应、代谢路径和免疫反应。AI 预测必须与实验验证结合，否则容易把“结构可信度”误读为“生物机制确定性”。

（二）药物研发：生成式 AI 从候选分子走向临床验证

药物研发是 AI4S 最受关注的场景之一。生成式模型可以用于靶点识别、分子生成、活性预测、毒性预测、合成路线规划和临床试验设计。公开案例中，AI 生成或 AI 发现的药物候选物已经进入临床阶段，其中 rentosertib（曾称 ISM001-055）作为针对特发性肺纤维化的 TNIK 抑制剂，已有 IIa 期随机临床试验结果发表。[S9]

1. 传统药物研发痛点

2. 实践判断

AI 药物研发不会简单消灭传统药企流程，而是重塑研发漏斗：

• 在早期扩大候选空间；

• 在中期用模型过滤低价值候选；

• 在后期结合真实临床数据验证安全性和有效性。

真正的价值不是“AI 自动发明神药”，而是降低试错成本、缩短候选筛选周期、提高机制解释和实验优先级排序能力。

（三）材料科学：GNoME 与 A-Lab 的“预测—合成”闭环

材料发现长期受限于组合空间巨大和实验合成困难。GNoME 使用大规模图神经网络与主动学习方法发现了大量潜在稳定晶体结构，其中包括大量此前未被人类经验覆盖的材料空间。[S5]

更关键的是，A-Lab 将机器学习、文献挖掘、机器人实验、X 射线衍射分析和主动学习结合起来，形成自动化材料合成闭环。该系统在 17 天运行中合成了 36 种目标材料，展示了 AI 驱动实验室的潜力。[S6]

1. 材料发现的新逻辑

2. 深层意义

材料科学过去高度依赖专家直觉和低通量试错。AI4S 将其变成高通量搜索问题：先在数字空间生成和筛选数百万候选，再把少量高潜力对象送入自动化实验室验证。未来电池、半导体、催化剂、碳捕集材料和高温超导材料的发现，都可能受益于这一范式。

（四）气候与地球系统：从数值模拟到 AI 基础模型

气候和天气系统高度复杂，传统数值预报依赖物理方程和超级计算。近年来，AI 气象与气候模型快速发展。NeuralGCM 将可微分大气动力学求解器与机器学习组件结合，在天气和气候模拟上展现出与领先方法相当的能力。[S7] Aurora 则作为地球系统基础模型，通过大规模地球系统数据预训练，再面向多类预测任务微调，显示出基础模型进入地球科学的趋势。[S8]

1. AI 气候模型的混合路线

2. 实践价值

AI 气候模型的意义不仅是“更快预报天气”，还包括：

• 更高频率地评估极端气候风险；

• 支持城市韧性、农业、能源和保险决策；

• 在不同碳排放情景下快速模拟长期影响；

• 降低科学计算门槛，使更多机构可以参与气候建模。

3. 风险边界

气候系统具有强非线性和混沌特征。AI 模型可能在平均指标上表现良好，但在极端事件强度、长期反馈机制、区域细节和分布外情景上仍需谨慎验证。

五、合成数据与 AI4S 的共同底层逻辑

（一）共同逻辑一：从数据采集到数据生成

传统 AI 依赖“采集世界”。新范式开始“生成世界”。 合成数据用生成器构造训练样本；AI4S 用模型生成科学候选；世界模型用虚拟环境生成行动经验。三者都在推动数据从自然资源转变为工程化资源。

（二）共同逻辑二：从静态数据集到动态闭环

高质量 AI 系统不应依赖一次性数据集，而应形成闭环：

这一飞轮决定了系统能否持续接近真实世界。如果只有生成，没有反馈，系统会漂移；如果只有真实数据，没有生成，系统会受限于成本和稀缺性。

（三）共同逻辑三：从相关性建模到因果与物理约束

合成数据和 AI4S 都不能只追求表面分布相似。真正高价值的数据生成必须尊重因果关系、物理规律和科学机制。

例如：

• 自动驾驶合成视频不能只“看起来像路面”，还要符合车辆动力学和交通规则；

• 药物分子不能只“像药”，还要满足结合机制、毒性约束和可合成性；

• 气候合成数据不能只匹配历史统计分布，还要符合能量守恒、流体动力学和边界条件；

• 材料候选不能只满足结构新颖，还要满足热力学稳定性和可合成性。

六、实践落地方法论：企业与科研机构如何建设能力

（一）建立“真实数据 + 合成数据”的混合数据架构

合成数据不应替代真实数据，而应与真实数据形成互补。

1. 数据分层

2. 应用原则

• 真实数据用于校准世界；

• 合成数据用于扩展世界；

• 实验数据用于验证世界；

• 人类专家用于解释世界。

（二）建立合成数据质量评估体系

高质量合成数据至少应从五个维度评估：

（三）建立 AI4S 研发平台

AI4S 不只是购买模型，而是建设系统能力。建议平台包括五层：

1. 数据层

整合文献、专利、实验数据、仪器数据、公共数据库、企业内部数据和专家知识。

2. 模型层

包括科学基础模型、专用预测模型、生成模型、因果模型、物理约束模型和不确定性模型。

3. 仿真层

连接分子动力学、DFT、流体力学、有限元、气候模型和数字孪生系统。

4. 实验层

对接自动化实验室、机器人平台、高通量筛选设备和实验记录系统。

5. 治理层

覆盖数据来源、模型版本、实验记录、审计追踪、合规管理和风险控制。

七、风险治理：新范式必须有新护栏

（一）数据真实性风险

合成数据可能放大原始数据偏差，或者生成看似合理但科学上错误的样本。因此必须建立真实数据锚点和专家审核机制。

（二）隐私泄露风险

合成数据可能记忆训练样本，尤其在小样本、高维数据和敏感表格数据中风险更高。不能把“合成”简单等同于“匿名”。

（三）模型坍缩风险

递归使用合成数据训练模型，可能导致模型丢失长尾知识。因此应保留真实数据比例，建立数据血缘追踪，并对 AI 生成内容进行明确标记。

（四）科学可解释性风险

AI4S 模型可能给出高置信度预测，但缺乏机制解释。科学发现不能只看预测分数，还要看可验证假设、实验复现和理论一致性。

（五）自动化实验风险

自动化实验室提高效率，也可能放大错误。如果实验设计、仪器校准、数据读取或反馈机制有偏差，闭环系统会快速强化错误方向。

八、未来趋势：合成数据与 AI4S 的五个演进方向

（一）趋势一：世界模型成为合成数据核心引擎

未来合成数据将从“单点样本生成”走向“动态世界生成”。自动驾驶、机器人、工业智能和城市仿真会越来越依赖可交互、时序一致、物理合理的世界模型。

（二）趋势二：科学基础模型成为科研基础设施

类似语言模型成为知识工作基础设施，科学基础模型也将成为生命科学、材料科学、气候科学和工程研发的底座。

（三）趋势三：自动化实验室推动科学发现工业化

AI 生成候选，机器人执行实验，模型分析结果，主动学习继续优化。这将使科研从手工作坊式探索，逐步走向半自动化甚至高度自动化的发现工厂。

（四）趋势四：人机协同成为科学组织新形态

科学家的角色不会消失，而会从“亲自穷举实验”转向“定义问题、约束模型、判断机制、设计验证、承担责任”。

（五）趋势五：数据治理成为核心竞争力

未来竞争不仅是模型竞争，也是数据治理能力竞争。谁能持续获得真实反馈、构造高质量合成数据、控制隐私风险、防止模型坍缩，谁就能形成更强的 AI 飞轮。

九、结论：新范式的核心不是“更多数据”，而是“可验证的生成闭环”

合成数据与 AI4S 共同揭示了 AI 发展的下一阶段： 数据不再只是从现实中被动采集，而是可以被设计、生成、验证和治理；科学不再只是低通量实验的线性推进，而是可以在数字空间中高通量搜索，在现实空间中精准验证。

但这一新范式并不意味着真实世界被替代。相反，真实数据、真实实验、真实反馈变得更加珍贵。合成数据提供规模，AI4S 提供搜索能力，世界模型提供虚拟实验场，而真实世界提供最终锚点。

因此，面向未来的正确路线不是“用合成数据取代真实数据”，也不是“用 AI 取代科学家”，而是构建一个更强大的闭环系统：

真实世界提供锚点
合成数据扩展边界
AI 模型生成假设
仿真系统筛选路径
自动实验验证结果
人类专家定义意义与责任

这正是数据与科学的新范式： 以生成扩展可能性，以验证守住真实性，以闭环加速发现。

参考链接说明

[S1] 世界经济论坛将合成数据定义为人工生成、用于模拟真实数据统计性质、结构和分布的数据，并强调其可填补数据缺口、保护隐私、测试新场景，同时也带来偏见、泄露、深伪和追溯治理风险。https://reports.weforum.org/docs/WEF_Synthetic_Data_2025.pdf

[S2] Nature 论文指出，递归使用模型生成内容训练后续模型，可能导致原始分布尾部信息消失，即“模型坍缩”。AI models collapse when trained on recursively generated data | Nature

[S3] AlphaFold 3 采用更新的扩散架构，可预测包含蛋白质、核酸、小分子、离子和修饰残基等复合体的联合结构。Accurate structure prediction of biomolecular interactions with AlphaFold 3 | Nature

[S5] GNoME 相关 Nature 论文报告，大规模图网络与主动学习使材料发现效率提升，并发现 2.2 million 个稳定晶体结构，其中 381,000 个进入更新后的凸包。Scaling deep learning for materials discovery | Nature

[S6] A-Lab 将机器人、从头算数据库、机器学习、文献挖掘和主动学习结合，在 17 天中成功合成 36/57 个目标材料。An autonomous laboratory for the accelerated synthesis of inorganic materials | Nature

[S7] NeuralGCM 将可微分大气动力学求解器与机器学习组件结合，展示了在天气、集合预报和气候模拟上的竞争力。Neural general circulation models for weather and climate | Nature

[S8] Aurora 被 Nature 论文描述为地球系统基础模型，先在超过一百万小时的地球系统数据上预训练，再面向多类预测任务微调。A foundation model for the Earth system | Nature

[S9] Nature Medicine 论文报告了 rentosertib 作为 AI 生成/发现的 TNIK 抑制剂用于特发性肺纤维化的 IIa 期随机临床试验。A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial | Nature Medicine

[S10] Gartner 预测，到 2027 年，60% 的数据与分析负责人将面临合成数据管理方面的关键失败风险，涉及治理、准确性与合规。https://www.gartner.com/en/newsroom/press-releases/2025-06-17-gartner-announces-top-data-and-analytics-predictions

[S11] NVIDIA Cosmos 官方材料将其定位为面向机器人、仿真、自动系统和物理场景理解的世界基础模型生态，用于真实世界领域应用。https://www.nvidia.com/en-us/ai/cosmos/