作者：电子创新网张国斌

过去一年，一个越来越流行的叙事正在 AI 行业内部迅速扩散：由于高质量的人类真实数据（Human-generated data）几乎被耗尽，开发者正大规模转向使用 合成数据（Synthetic Data），即“用 AI 训练 AI”。笔者曾在不止一次的会议上听到研究人员、产业人士提过或者正在做这样的事情。

在语言模型、图像生成、代码补全等领域，这条路径看起来颇为成功，也正在被视为“规模瓶颈之后的新增长曲线”。这条路是对的吗？如果把视角转向自动驾驶，这个叙事会立刻显露出一个根本性问题--并非所有 AI，都可以被“AI 生成的数据”持续喂养。

自动驾驶，恰恰是那个最残酷、也最具警示意义的反例。

一、模拟数据 vs 真实数据：差异不在“真假”，而在“权重与责任”

在自动驾驶领域，工程师从来不否认模拟和合成数据的价值。真正的分歧在于：

它们究竟能替代真实世界到什么程度。

关键区别并不在于“是否真实”，而在于两点：

统计权重是否来自真实世界

错误是否需要承担真实世界责任

模拟数据可以覆盖“可能发生什么”，

真实数据决定“什么最常发生、最危险、最不能犯错”。

而自动驾驶系统最终要面对的，并不是“可能性空间”，而是概率分布与责任边界。

二、哪些模拟数据在自动驾驶中是“真正可用”的

1. 感知层：高度可用，但永远只是前菜

在感知层，模拟和合成数据的价值毋庸置疑：

物体外形与几何结构

光照、雨雪、雾霾等物理扰动

传感器噪声、遮挡、模糊

这些问题本质上是物理世界的连续问题，可建模、可增强、可规模化生成。

因此，模拟数据非常适合用于：预训练、数据增强、鲁棒性测试

但前提只有一个：最终必须用真实世界数据完成分布校准。

2. 系统稳定性测试：有用，但不决定“会不会开车”

模拟在以下场景中同样有效：极端天气叠加极端工况、多传感器失效组合、异常输入下的系统退化行为。

这些测试回答的是一个问题：系统会不会崩溃，但它并不回答更关键的问题：系统在复杂现实中，会不会做出“正确且可负责”的驾驶决策。

3. 冷启动阶段：只能加速起跑，无法决定终点

模拟数据确实可以：缩短模型收敛时间、提供基础行为先验、降低早期真实道路试错成本，但它只能解决“能不能更快开始跑”，而无法决定“能不能跑到终点”。

三、哪些数据，模拟在自动驾驶中“永远不可替代”

1. 决策层：责任无法被模拟

自动驾驶最困难的部分，从来不在“看到什么”，而在于：在信息模糊、冲突、不完整的情况下，应该为谁让步、为谁承担风险。

例如：是优先避让行人，还是避免追尾？是相信路权，还是预测对方违规？是激进通过，还是保守刹停？

这些决策：没有标准答案、深度绑定法律、社会规范和事故责任、模拟无法生成真实的社会博弈。

2. 长尾问题：概率权重无法被想象出来

模拟可以“构造”极端事故，但它永远不知道哪些极端最常出现哪些只是工程师的想象；而自动驾驶真正需要学习的是：在最常见的危险场景中，做出最稳妥的选择。概率权重，只能由真实世界给出。

3. 人类驾驶的隐性规则，几乎无法模拟

现实道路中存在大量未被明文化的规则：眼神交流、驾驶员之间的默契让行、合法与非法之间的灰色操作

这些行为：不存在于交通法规、难以被工程师显式建模，却直接决定事故是否发生、责任如何划分，所以模拟环境，很难真正复现这种人类社会行为结构。

四、为什么真实世界“校准”不可跳过

即便大量使用模拟数据，自动驾驶系统仍然必须在真实世界完成三项关键校准：概率分布校准、哪些情况常见，哪些罕见但高风险。风险偏好校准--哪种错误更不可接受，激进与保守的边界在哪里。

闭环责任校准--错误 → 后果 → 责任 → 修正 → 再验证。这是一条只能在真实道路上完成的闭环。

五、更深一层的问题：AI 用 AI 训练 AI 的天花板在哪里？

从更高层看，这并非工程问题，而是方法论问题。

生成式 AI 的本质是：在已知分布内进行高质量补全。而自动驾驶面对的是开放世界、非平稳分布；由社会博弈驱动的行为系统。这意味着，如果长期脱离真实世界输入：模型会在自己的认知闭环中不断自洽、表现看似越来越好，却可能越来越偏离现实。这在承担真实世界责任的系统中，是不可接受的。

六、自动驾驶给整个 AI 行业的一个冷静提醒

自动驾驶正在用最残酷的方式提醒整个 AI 行业：模拟数据的价值在于“加速”，真实数据的价值在于“定性”。

前者决定效率，后者决定资格。当 AI 系统开始进入真实世界、开始影响生命安全、开始承担法律与社会责任时——时间、规模与真实运行，将成为任何模型能力之上的终极约束。

这也是为什么，在自动驾驶领域，真正的护城河从来不是“谁更会生成数据”，

而是：谁能更长时间、更大规模地活在真实世界里。

还有一个严峻问题，那就是“用 AI 训练 AI”。虽然这种方式能够极大地降低成本并填补数据缺口，但也带来了独特的风险--核心挑战：模型崩溃（Model Collapse）

当 AI 长期且重复地在自身生成的内容上进行递归训练时，会出现以下现象：

模型崩溃： AI 会逐渐遗忘真实分布中的“长尾”细节（即罕见但重要的信息），输出开始趋向于平庸的平均值。那如何避免“崩溃”？

1、必须在合成数据中按比例混入真实的人类数据，以保持模型对现实世界的感知。

2、通过控制 AI 生成特定领域的异构数据（如不同文体、不同逻辑），来增加合成数据集的广度。

3、建立严格的 AI 自动审核机制（如 InstructLab），剔除低质量或带有严重偏见的内容。

“用 AI 训练 AI”也会导致误差叠加： 初始模型的微小错误或偏差会在每一代训练中被放大，最终导致模型输出变得荒诞、无意义（Gibberish）。

此外还有MAD 综合征，研究者称之为“模型自噬障碍”（Model Autophagy Disorder），如果不加入足够的新鲜真实数据，模型的质量（精度）或多样性（召回率）将不可避免地下降。

总之要对保持“用 AI 训练 AI”保持警惕，合成数据决定效率，真实数据决定生死；“AI 训练 AI”可以是工具，但永远不能成为信仰。

注：本文为原创文章，未经作者授权严禁转载或部分摘录切割使用，否则我们将保留侵权追诉的权利