中國人民大學(xué)科學(xué)研究處、中國人民大學(xué)信息資源管理學(xué)院：錢明輝、楊建梁
在人工智能持續(xù)向高專業(yè)壁壘領(lǐng)域縱深發(fā)展的當(dāng)下，數(shù)據(jù)已不再是模型性能的附屬變量，而是成為決定算法邊界和系統(tǒng)能力的核心要素。尤其在醫(yī)學(xué)影像、法律文書、遙感監(jiān)測等領(lǐng)域，數(shù)據(jù)采集成本高、標(biāo)注周期長、合規(guī)約束嚴(yán)，傳統(tǒng)“海量數(shù)據(jù)驅(qū)動”范式遭遇現(xiàn)實瓶頸，導(dǎo)致“模型有余、數(shù)據(jù)不足”的結(jié)構(gòu)性失配。
盡管小樣本學(xué)習(xí)、自監(jiān)督預(yù)訓(xùn)練等方法都在努力嘗試降低模型訓(xùn)練對人工標(biāo)注數(shù)據(jù)的依賴，但這些方法在多樣性構(gòu)造、語義深度與跨域泛化等關(guān)鍵指標(biāo)上仍無法替代真實數(shù)據(jù)的復(fù)雜表達。在這一背景下，生成式數(shù)據(jù)增強（Generative Data Augmentation, GDA）作為一種“以少馭多、化虛為實”的系統(tǒng)性技術(shù)路徑，正逐漸成為打破數(shù)據(jù)瓶頸的關(guān)鍵抓手。它通過深度生成模型學(xué)習(xí)原始樣本的結(jié)構(gòu)與分布規(guī)律，自動合成高質(zhì)量、多樣化的訓(xùn)練數(shù)據(jù)，在提升模型魯棒性、增強樣本稀缺條件下的泛化能力以及跨領(lǐng)域遷移能力的同時，也嘗試重塑人工智能時代的數(shù)據(jù)生產(chǎn)邏輯與智能進化方式。
相關(guān)閱讀：
高響應(yīng)數(shù)據(jù)集：人工智能新時代的關(guān)鍵要素
數(shù)據(jù)萃?。骸叭摺睌?shù)據(jù)集構(gòu)建的點睛之筆
知識蒸餾與數(shù)據(jù)萃?。洪_發(fā)人工智能訓(xùn)練所需的“動態(tài)食譜”與“黃金食材”
分布式數(shù)據(jù)集與聯(lián)邦學(xué)習(xí)：人工智能持續(xù)生長的協(xié)作之道
數(shù)據(jù)與數(shù)據(jù)集：面向新一代人工智能“聚沙成塔”
多模態(tài)數(shù)據(jù)集構(gòu)建：為人工智能的世界模型筑基
開放數(shù)據(jù)集生態(tài)：人工智能發(fā)展的群體智慧引擎
領(lǐng)域?qū)ｎ}數(shù)據(jù)集：培育“行業(yè)智能專家”的精品教材
瞬時數(shù)據(jù)集建設(shè)：揭示實時性流式數(shù)據(jù)中的智能因子
數(shù)據(jù)集的道德負荷：成就更具責(zé)任感的人工智能
數(shù)據(jù)集噪聲治理：為人工智能的持續(xù)生長“澄沙汰礫”
一、生成式數(shù)據(jù)增強的基本原理：無中生有的創(chuàng)造邏輯
在傳統(tǒng)范式下，數(shù)據(jù)增強多被視為樣本處理的“輔助工藝”，其手段常局限于對已有樣本的表層變換——如圖像的旋轉(zhuǎn)裁剪、文本的詞序調(diào)整或語音的信噪調(diào)制。這種方式盡管可以在邊緣層面提升模型魯棒性，但始終受限于原始語義空間的封閉性，難以實現(xiàn)從樣本擴展到認(rèn)知遷移的躍升。而生成式數(shù)據(jù)增強則徹底改寫了這一邏輯。它基于神經(jīng)生成模型，從少量樣本中學(xué)習(xí)出深層語義結(jié)構(gòu)與潛在分布規(guī)律，在此基礎(chǔ)上“無中生有”地生成大量具有語義一致性和表現(xiàn)多樣性的合成數(shù)據(jù)，從而實現(xiàn)了從“加工補足”向“智能創(chuàng)造”的范式轉(zhuǎn)變。
例如，在醫(yī)學(xué)影像領(lǐng)域，生成模型可通過少量已標(biāo)注的腫瘤圖像，學(xué)習(xí)不同病灶在形態(tài)、密度與擴散過程中的潛在分布特征，并據(jù)此合成大量在邊界清晰度、密度層次與演化階段上具有差異性的擬真樣本。這些合成樣本在保持語義一致性的同時，顯著拓展了原始訓(xùn)練集的分布覆蓋范圍，從而提升模型對早期異常信號與罕見病灶模式的識別能力。
這一范式的根本價值在于，數(shù)據(jù)從依賴外部采集的靜態(tài)資源，轉(zhuǎn)變?yōu)橛赡Ｐ妥灾黩?qū)動、按需生成的動態(tài)要素，成為人工智能系統(tǒng)中可調(diào)度、可演化的內(nèi)生模塊。隨著生成能力的持續(xù)躍升，人工智能訓(xùn)練中的“數(shù)據(jù)瓶頸”正從對物理樣本采集與標(biāo)注的依賴，轉(zhuǎn)變?yōu)閷φZ義建構(gòu)能力與知識組織結(jié)構(gòu)的要求。生成式數(shù)據(jù)增強不僅突破了數(shù)據(jù)來源的外在限制，更推動了系統(tǒng)在內(nèi)部生成、語義調(diào)控與任務(wù)適配等方面能力的演化，從而使智能系統(tǒng)逐步具備從外源輸入驅(qū)動向內(nèi)源生長驅(qū)動的躍遷潛力。
二、生成式數(shù)據(jù)增強的技術(shù)路徑：由小見大的工程創(chuàng)新
生成式數(shù)據(jù)增強的工程系統(tǒng)不僅是一種算法模型的部署，更是一整套圍繞任務(wù)目標(biāo)組織數(shù)據(jù)生成、篩選、融合與反饋的協(xié)同架構(gòu)。在技術(shù)路徑層面，當(dāng)前主流的實現(xiàn)方式主要依托對抗生成網(wǎng)絡(luò)（GAN）、變分自動編碼器（VAE）以及大語言模型（LLM）展開，同時擴散模型（Diffusion Models）近年來也在多模態(tài)生成領(lǐng)域表現(xiàn)突出。
對抗生成網(wǎng)絡(luò)（GAN）通過構(gòu)建生成器與判別器之間的博弈機制，使模型在對抗過程中逐步提升合成數(shù)據(jù)的真實性。生成器嘗試合成以假亂真的樣本，判別器則評估其真實性，兩者交替優(yōu)化，直至生成樣本難以與真實樣本區(qū)分。在制造業(yè)質(zhì)檢中，GAN 可用于模擬各種微觀缺陷（如焊點斷裂、表面劃痕），以擴展訓(xùn)練集中對不良品樣式的覆蓋范圍，從而提升異常檢測模型對少見缺陷類型的識別精度。
變分自動編碼器（VAE）主要通過編碼器–解碼器結(jié)構(gòu)將樣本映射到連續(xù)潛在空間，并從中采樣生成新樣本，從而實現(xiàn)對語義特征的可控變換，并保持生成數(shù)據(jù)與真實樣本在整體分布上的一致性。其典型應(yīng)用之一是在語音克隆任務(wù)中，VAE 可在保留發(fā)音者音色的同時生成新的語音表達，用于增強語言模型對特定發(fā)音風(fēng)格的適應(yīng)能力，并支持個性化語音合成系統(tǒng)的構(gòu)建。
大語言模型（LLM）依托大規(guī)模語料預(yù)訓(xùn)練與參數(shù)調(diào)優(yōu)機制，具備強大的語言建模與語義生成能力，結(jié)合提示詞工程（ Prompt Engineering ）技術(shù)可實現(xiàn)對生成語義結(jié)構(gòu)的精細調(diào)控。相比傳統(tǒng)基于模板的文本擴展方法，LLM 不僅能夠準(zhǔn)確捕捉復(fù)雜上下文中的語義依賴關(guān)系，還能根據(jù)任務(wù)提示自動生成結(jié)構(gòu)化、情境化的文本內(nèi)容。在金融客服等場景中，LLM 可根據(jù)用戶輸入自動生成符合業(yè)務(wù)規(guī)范的回復(fù)文本，有效提升對話系統(tǒng)的語言適配性與響應(yīng)智能。
擴散模型（Diffusion Models）通過“逐步加噪-反向去噪”的過程學(xué)習(xí)從高斯噪聲向真實數(shù)據(jù)分布的映射函數(shù)，并逐層重建目標(biāo)樣本。在文化遺產(chǎn)數(shù)字修復(fù)中，圖像中的缺損區(qū)域可在模型中建模為高噪初始狀態(tài)，結(jié)合周邊完好區(qū)域提供的像素語境，模型在每一步去噪中逐漸補全結(jié)構(gòu)輪廓、還原紋理細節(jié)，并保持整體風(fēng)格的一致性與歷史連貫性。經(jīng)過多輪迭代，最終可生成兼具考古真實性與視覺完整性的復(fù)原圖像，為文化遺產(chǎn)的數(shù)字重建任務(wù)構(gòu)建出一條可控、可靠的生成路徑。
與技術(shù)機制并行，生成式數(shù)據(jù)增強的工程流程通常涵蓋“生成-篩選-對齊-集成”四個環(huán)節(jié)，構(gòu)成從樣本生成到模型訓(xùn)練的閉環(huán)鏈路。例如，在訓(xùn)練城市輿情識別模型的過程中，生成式數(shù)據(jù)增強就會通過上述四個環(huán)節(jié)來完成對模型訓(xùn)練樣本的擴充。
在生成階段，模型以少量輿情樣本與原始新聞報道為基礎(chǔ)，結(jié)合事件模板與角色設(shè)定，生成具有多樣語義視角的擴展文本。例如，圍繞同一突發(fā)事件，模型可生成來自居民、市政部門、媒體評論等不同身份角度的表述，從而擴展原始訓(xùn)練集的語境范圍與表達多樣性。
在篩選階段，系統(tǒng)引入基于語義嵌入的質(zhì)量評估機制，對生成文本進行異常語義檢測與風(fēng)險項排查。通過情緒極值分析、事實一致性判斷與關(guān)鍵詞規(guī)約等手段，剔除存在煽動性、歧義性或語義偏離的樣本，保障數(shù)據(jù)在語義維度上的結(jié)構(gòu)合理性與政策適應(yīng)性。
在對齊階段，通過事件標(biāo)簽映射與語義角色識別，將生成文本中的關(guān)鍵信息抽取并映射至“事件—時間—地點—責(zé)任方”四元結(jié)構(gòu)，與已有輿情知識體系實現(xiàn)結(jié)構(gòu)對齊。這一過程有助于提高數(shù)據(jù)在風(fēng)險分類模型中的標(biāo)注一致性，增強生成數(shù)據(jù)的任務(wù)適配能力。
在集成階段，將上述篩選與對齊后的生成數(shù)據(jù)與真實語料共同用于訓(xùn)練，檢驗其在提升輿情識別模型早期預(yù)警能力與場景泛化能力方面的潛在增益。通過設(shè)計對照實驗，可進一步評估生成式數(shù)據(jù)增強對模型魯棒性與風(fēng)險感知精度的影響程度。
這一流程不僅提升了數(shù)據(jù)的可用性，更通過全過程可控與反饋機制，使生成式數(shù)據(jù)增強從“模型外部手段”轉(zhuǎn)化為“系統(tǒng)內(nèi)生能力”，形成數(shù)據(jù)閉環(huán)驅(qū)動的模型自我演化機制。
三、生成式數(shù)據(jù)增強的質(zhì)量控制：化簡為繁的機制保障
與其說生成式數(shù)據(jù)增強的關(guān)鍵在于“生成得多”，不如說它真正的挑戰(zhàn)在于“生成得準(zhǔn)”。高質(zhì)量的生成數(shù)據(jù)不僅要在統(tǒng)計分布上貼近真實樣本，更要在語義結(jié)構(gòu)、標(biāo)簽一致性、任務(wù)可用性等多個維度實現(xiàn)高度協(xié)同。為此，構(gòu)建一整套可評估、可追蹤、可干預(yù)的數(shù)據(jù)質(zhì)量控制體系，已成為GDA技術(shù)走向產(chǎn)業(yè)落地的核心前提。
從微觀層面看，當(dāng)前生成式數(shù)據(jù)增強的質(zhì)量控制主要體現(xiàn)在三類評估機制上：一是統(tǒng)計指標(biāo)，如BLEU、BERTScore等，用于衡量生成式數(shù)據(jù)樣本與原始樣本之間的分布重合度與語義距離；二是任務(wù)指標(biāo)，通過模型在增強前后測試集上的精度、召回率、F1-score等指標(biāo)的變化量評估數(shù)據(jù)對模型性能的實際影響；三是語義評估，基于多模態(tài)嵌入模型或?qū)＜覙?biāo)注對生成內(nèi)容的語義完整性和邏輯合理性進行校驗。以慢性病問答語料構(gòu)建任務(wù)為例，研究團隊可以利用大語言模型生成多輪醫(yī)患對話，用于補足真實語料中的冷門病種與邊緣情境。在評估環(huán)節(jié)，先以BLEU與BERTScore對生成問答與原始數(shù)據(jù)的語義重合度進行篩查，再通過訓(xùn)練前后模型在實體識別與問答匹配任務(wù)中的F1-score變化量衡量生成式數(shù)據(jù)增強效果，最后由醫(yī)學(xué)專家對樣本中潛在誤導(dǎo)性表達進行抽查糾偏。三類機制協(xié)同配合，既確保數(shù)據(jù)生成的語義貼合性，也保障其任務(wù)適應(yīng)性與語用安全性，為生成式數(shù)據(jù)增強的實際應(yīng)用構(gòu)建起可控可靠的數(shù)據(jù)質(zhì)量管理閉環(huán)。
此外，生成式數(shù)據(jù)增強流程的內(nèi)控機制也成為質(zhì)量保障的重要抓手。一方面，可以通過建立生成式數(shù)據(jù)樣本的溯源系統(tǒng)，記錄每個合成樣本的源模型、輸入樣本、參數(shù)配置與生成時間，實現(xiàn)可回溯、可復(fù)現(xiàn)的版本控制。例如，在政務(wù)文本生成場景中，系統(tǒng)可追蹤某條自動回復(fù)語句所引用的政策條款及其版本，確保文本內(nèi)容與政策演化同步更新。另一方面，還可能通過引入“置信度過濾機制”，通過獨立評分器、知識圖譜或規(guī)則匹配系統(tǒng)自動篩除異常樣本，提升數(shù)據(jù)純度。如在醫(yī)療問答生成任務(wù)中，研究者可以借助“疾病–癥狀–用藥”圖譜對模型輸出進行結(jié)構(gòu)化審核，有效剔除誤導(dǎo)性建議或違背臨床常識的表達，從而強化模型在敏感領(lǐng)域的安全邊界。
除了上述機制外，在高敏感任務(wù)中，還可引入人機協(xié)同審核機制，通過專家復(fù)核與算法評分相結(jié)合的方式，進一步保障生成式數(shù)據(jù)樣本的質(zhì)量與可控性。例如，在法律判決文書生成任務(wù)中，研究團隊首先可以通過大語言模型生成類案推理文本，而后可以再邀請具備司法資質(zhì)的專家團隊對生成結(jié)果進行逐條核查，重點審查事實依據(jù)、法律適用及推理鏈條的完整性，剔除邏輯跳躍或違反司法規(guī)范的內(nèi)容，從而使得生成數(shù)據(jù)的質(zhì)量得到有效控制。
然而，僅靠微觀層面的模型機制與流程管控，仍難以應(yīng)對生成式數(shù)據(jù)增強在跨行業(yè)、高敏感、強監(jiān)管場景下所面臨的系統(tǒng)性挑戰(zhàn)。為此，有必要從宏觀治理層面構(gòu)建覆蓋“生成-使用-監(jiān)管”全流程的制度性保障體系。在生成環(huán)節(jié)，可以由算法提供方與數(shù)據(jù)生成機構(gòu)共同制定“生成數(shù)據(jù)白名單”“可合成樣本范式”等規(guī)范模板，明確哪些數(shù)據(jù)可由人工智能生成、生成標(biāo)準(zhǔn)為何，從源頭建立生成權(quán)限與內(nèi)容邊界。在使用環(huán)節(jié)，剛需要強化數(shù)據(jù)應(yīng)用方的責(zé)任，推動建立“用途登記—適配審查—任務(wù)歸檔”等機制，確保生成數(shù)據(jù)在實際場景中的用途可控、行為可溯。監(jiān)管環(huán)節(jié)則可以由行業(yè)協(xié)會與數(shù)據(jù)治理機構(gòu)牽頭，構(gòu)建跨模態(tài)、跨領(lǐng)域的“生成數(shù)據(jù)合規(guī)圖譜”，實現(xiàn)對敏感類型、重點領(lǐng)域的動態(tài)監(jiān)測與風(fēng)險預(yù)警，最終形成覆蓋生成式數(shù)據(jù)增強全生命周期的制度閉環(huán)與治理支撐。
總結(jié)而言，生成式數(shù)據(jù)增強的意義遠不止于“訓(xùn)練樣本的倍增器”，它代表著一種數(shù)據(jù)生成邏輯的躍遷，一種智能系統(tǒng)從外源喂養(yǎng)走向內(nèi)源生長的深層轉(zhuǎn)變。在未來的AI架構(gòu)中，數(shù)據(jù)將不再是靜態(tài)采集的輸入材料，而是與模型能力深度耦合、按需生成、動態(tài)演進的智能資產(chǎn)。從國家戰(zhàn)略角度看，生成式數(shù)據(jù)增強是實現(xiàn)“少數(shù)據(jù)自洽”與“領(lǐng)域智能突圍”的關(guān)鍵路徑；從產(chǎn)業(yè)層面看，它為構(gòu)建低資源、高價值、高響應(yīng)的數(shù)據(jù)體系提供了可復(fù)制的技術(shù)范式；從社會層面看，它有望在數(shù)據(jù)共建、智能共治中成為治理規(guī)則、能力邊界與倫理合規(guī)之間的重要連接器。生成式數(shù)據(jù)增強正成為驅(qū)動智能系統(tǒng)演化的核心資源與關(guān)鍵環(huán)節(jié)，既是支撐訓(xùn)練的數(shù)據(jù)引擎，也是拓展應(yīng)用的內(nèi)容生成基礎(chǔ)。誰能率先構(gòu)建可信、規(guī)范、可控的生成式數(shù)據(jù)增強系統(tǒng)，誰就更有可能在新一代人工智能技術(shù)范式和行業(yè)標(biāo)準(zhǔn)制定中占據(jù)主導(dǎo)地位。
基金項目：國家社會科學(xué)基金重點項目“基于數(shù)智融合的信息分析方法創(chuàng)新與應(yīng)用”；國家檔案局科技項目“基于生成式人工智能的檔案數(shù)據(jù)化關(guān)鍵方法及其應(yīng)用研究”。
致謝：感謝中國人民大學(xué)信息資源管理學(xué)院博士研究生郭姝麟在本文完成過程中所提供的資料收集與整理支持。
