合成数据

关键信息摘要

Key Highlights

• NVIDIA以超3.2亿美元收购Gretel AI（2025年3月），SAS收购Hazy（2024年11月），标志着合成数据从"补充手段"升级为AI训练的"核心供给"
• Gartner预测2024年AI训练中合成数据占比已达60%，到2030年绝大部分训练数据将是合成数据；全球合成数据市场CAGR约35%
• Epoch AI研究：到2026年高质量真实文本数据将基本被消耗殆尽，合成数据是突破数据瓶颈的关键技术方向

行业定义与边界

合成数据是AI数据引擎产业（上游数据供给层）增速最快的细分板块。利用生成式AI、统计模型或规则引擎创造的人工训练数据，在真实高质量数据逐渐枯竭的背景下，已成为突破数据瓶颈的关键技术方向。

主要技术路径：

• 基于LLM的文本合成：利用大语言模型生成高质量文本训练数据
• 基于扩散模型的图像/视频合成：合规AI图像数据生成
• 基于GAN/VAE的表格数据合成：金融、医疗等场景的隐私保护合成数据
• 基于物理引擎的3D场景合成：自动驾驶等边缘案例场景

内置差分隐私保障是合规合成数据的核心技术特征。

行业边界：聚焦于AI训练合成数据的生成技术和平台服务，不包括真实数据采集标注（L4-02）、数据版权授权（L4-01）和数据存储治理（L4-03）。

市场规模与增长

全球市场

全球合成数据市场正处于爆发前夜。据Gartner预测，2024年AI训练中使用的合成数据占比已达60%，且这一比例将持续攀升。Nester预测全球合成数据市场CAGR约35%，到2035年将达124.5亿美元。GlobeNewsWire数据显示，仅AI生成的合成表格数据集市场到2029年即可达67.3亿美元。

NVIDIA以超3.2亿美元收购Gretel AI（2025年3月）是合成数据产业升级的标志性事件，被收购后其技术将整合入NVIDIA的生成式AI开发者服务套件。SAS收购Hazy（2024年11月）反映传统数据分析厂商也在通过并购进入AI数据领域。

中国市场

中国合成数据起步较晚，多为大厂内部能力，独立的合成数据创业公司数量少，主要以阿里云、百度飞桨等大厂生态内的工具形式存在。

增长驱动力

• Epoch AI研究：到2026年高质量文本数据将基本被消耗殆尽，合成数据从可选变为必选
• 隐私法规约束真实数据使用，合成数据成为合规解决方案（差分隐私保障）
• 自动驾驶、医疗、金融等场景对多样化边缘案例数据的需求无法由真实数据满足

技术演进路线

flowchart LR
  上游环节 --> 中游环节 --> 下游环节

产业价值链结构

flowchart LR
  原材料 --> 制造 --> 客户

重点公司

本土龙头

• 数说故事 DataStory（未上市）：国内大数据和AI公司，开始布局合成数据生成能力，服务于消费品和营销领域。国内独立合成数据公司极少，该赛道主要由大厂内部能力主导。

海外对标

• MOSTLY AI（未上市）：专注于金融服务和医疗健康领域的合成数据平台。基于TabularARGN的Synthetic Data SDK，支持高质量合成表格数据生成，内置差分隐私保障。客户包括美国国土安全部、多家欧洲银行和保险公司。累计融资约3000万美元。
• Syntho（未上市）：荷兰合成数据创业公司，专注于企业级合成数据生成，2024年完成新一轮融资。

未升格公司清单

留作行业全景参考，未单独建 note。出现重大催化时考虑升格。

• Gretel AI（已被NVIDIA以超3.2亿美元收购，2025年3月）：合成数据领域先驱，技术整合入NVIDIA生成式AI开发者服务套件
• Hazy（已被SAS收购，2024年11月）：合成数据技术被整合入SAS生成式AI产品组合
• YData（未上市）：专注数据质量+合成数据一体化方案

景气度判断

当前景气度（描述性） 信号源：

合成数据从"补充手段"升级为"核心供给"。NVIDIA以超3.2亿美元收购Gretel AI是这一趋势的标志性事件，SAS收购Hazy进一步验证传统数据分析厂商通过并购进入AI数据领域的逻辑。未来2-3年，合成数据领域将涌现更多独角兽公司。

中国合成数据独立公司极为稀缺，该赛道的战略价值主要由大厂内部化实现，独立标的投资机会有限但稀缺性溢价明显。

风险提示

关键风险

• 合成数据质量不稳定（"模型崩溃"风险：用合成数据训练的模型再生成合成数据会导致质量退化），技术壁垒较高
• 大模型厂商（OpenAI、Anthropic、Meta）将合成数据生成能力内化，可能压缩独立第三方平台的市场空间