“到2024年，用于开发AI和分析项目的数据中，60%将是合成生成的。”这一来自Gartner的预测几乎出现在所有与合成数据相关的文章、演示文稿或新闻稿中。
尽管该观点已被广泛引用，但其揭示了合成数据总可寻址市场（TAM）的巨大潜力。解析如下：
- 定义清晰：所谓“合成生成”即指人工创建而非现实世界收集的数据；
- 核心趋势：随着AI和分析项目兴起，合成数据将成为主流开发资源，市场规模随之增长；
- 长远展望：Gartner团队曾发表研究《忘掉你的真实数据——合成数据才是AI的未来》，进一步印证了资本对该领域的信心。
资金涌入合成数据初创企业不足为奇。仅2022年，MOSTLY AI完成2500万美元B轮融资；Datagen获5000万美元B轮融资；Synthesis AI完成1700万美元A轮融资。这些企业已服务于银行、医疗、交通及零售等行业，且预计用例将持续扩展至新领域。
为了解行业现状及未来走向，我们与多位CEO及投资人进行了交流，梳理出合成数据公司的两大类别、目标行业及市场规模估算逻辑。
冰山一角
Quiet Capital创始合伙人阿斯塔西娅·迈尔斯（Astasia Myers）是合成数据的坚定支持者。她认为：“合成数据能以更低成本、更安全的方式让团队快速获取数据。”这正是机器学习团队在真实数据受限时急需填补的空白。
目前，合成数据初创企业主要聚焦两大领域：
- 结构化数据：指存储在表格和电子表格中的数据集。MOSTLY AI CEO Tobias Hann指出，需求主要来自银行、保险、电信和医疗保健等高度监管行业，这些行业对丰富且保护隐私的数据有强烈诉求。近期融资代表包括MOSTLY AI、Tonic.ai（3500万美元B轮）及Gretel AI（5000万美元B轮）。
- 非结构化数据：涵盖音频、文本和视觉等媒体文件。Datagen CEO Ofir Zuk表示，AR/VR/元宇宙、车载汽车、智能会议和家庭安防是当前发展最快的四大应用场景。同时，企业正致力于技术的领域无关性，以便在零售和机器人等新行业爆发时做好准备。
正如合成数据倡导者Elise Devaux所总结，非结构化数据市场同样活跃，Parallel Domain等公司虽入局时间不同，但在吸引资金和客户方面均表现不俗。
持续的民主化进程
LDV Capital普通合伙人Evan Nisselson早在2018年就预测：“使用合成数据的深度学习将使科技行业民主化。”意指通过拉平竞争起跑线，让初创公司无需依赖大厂规模即可应用机器学习。
如今，这一预测部分应验。合成数据帮助中小企业对抗巨头，而Meta等大公司也开始拥抱该技术。Nisselson指出，除了自动驾驶边缘案例外，越来越多大公司正利用合成媒体进行系统训练。这种方式不仅更快、更便宜（如通过GANs生成），还能跳过昂贵的标注环节。
关于市场规模，Zuk认为若合成数据成为主要训练数据，其TAM将与数据本身趋同。Myers补充道，随着低代码/无代码平台的普及（如MOSTLY AI为工程师和测试人员提供的平台），组织内部的新用例将被不断解锁，实际市场可能比预期更大。
接下来是什么？
对于早期风投而言，某些合成数据应用虽对公众新颖，但投资窗口期已缩短。Nisselson认为交通和机器人训练等领域已趋于“拥挤”，他更关注以下方向：
- 自主零售系统训练；
- 营销、广告及电子学习（如Synthesia的合成头像培训）；
- 游戏与元宇宙；
- 纯内容创作。
Myers也强调，除深度伪造外，合成技术在商业场景中的应用前景广阔。
可以确定的是，随着初创企业蓬勃发展和用例激增，并购潮即将到来。继Facebook收购AI.Reverie后，考虑到当前VC环境及大企业合作日益公开，更多收购案将在不久后发生，这值得持续关注。