中國(guó)人民大學(xué)科學(xué)研究處、中國(guó)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(cè)等領(lǐng)域，數(shù)據(jù)采集成本高、標(biāo)注周期長(zhǎng)、合規(guī)約束嚴(yán)，傳統(tǒng)“海量數(shù)據(jù)驅(qū)動(dòng)”范式遭遇現(xiàn)實(shí)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(duì)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(yǔ)義深度與跨域泛化等關(guān)鍵指標(biāo)上仍無(wú)法替代真實(shí)數(shù)據(jù)的復(fù)雜表達(dá)。在這一背景下，生成式數(shù)據(jù)增強(qiáng)（Generative Data Augmentation, GDA）作為一種“以少馭多、化虛為實(shí)”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(guò)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(dòng)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(qiáng)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(shí)，也嘗試重塑人工智能時(shí)代的數(shù)據(jù)生產(chǎn)邏輯與智能進(jìn)化方式。
相關(guān)閱讀：
高響應(yīng)數(shù)據(jù)集：人工智能新時(shí)代的關(guān)鍵要素
高對(duì)齊數(shù)據(jù)集：人工智能新時(shí)代的文明守護(hù)
高密度數(shù)據(jù)集：人工智能新時(shí)代的進(jìn)化引擎
數(shù)據(jù)萃取：“三高”數(shù)據(jù)集構(gòu)建的點(diǎn)睛之筆
知識(shí)蒸餾與數(shù)據(jù)萃?。洪_(kāi)發(fā)人工智能訓(xùn)練所需的“動(dòng)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(zhǎng)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(kāi)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(shí)數(shù)據(jù)集建設(shè)：揭示實(shí)時(shí)性流式數(shù)據(jù)中的智能因子
數(shù)據(jù)集的道德負(fù)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(zhǎng)“澄沙汰礫”
一、生成式數(shù)據(jù)增強(qiáng)的基本原理：無(wú)中生有的創(chuàng)造邏輯
在傳統(tǒng)范式下，數(shù)據(jù)增強(qiáng)多被視為樣本處理的“輔助工藝”，其手段常局限于對(duì)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(yǔ)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(yǔ)義空間的封閉性，難以實(shí)現(xiàn)從樣本擴(kuò)展到認(rèn)知遷移的躍升。而生成式數(shù)據(jù)增強(qiáng)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(yǔ)義結(jié)構(gòu)與潛在分布規(guī)律，在此基礎(chǔ)上“無(wú)中生有”地生成大量具有語(yǔ)義一致性和表現(xiàn)多樣性的合成數(shù)據(jù)，從而實(shí)現(xiàn)了從“加工補(bǔ)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(guò)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(kuò)散過(guò)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(yǔ)義一致性的同時(shí)，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(duì)早期異常信號(hào)與罕見(jiàn)病灶模式的識(shí)別能力。
這一范式的根本價(jià)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(dòng)、按需生成的動(dòng)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(duì)物理樣本采集與標(biāo)注的依賴，轉(zhuǎn)變?yōu)閷?duì)語(yǔ)義建構(gòu)能力與知識(shí)組織結(jié)構(gòu)的要求。生成式數(shù)據(jù)增強(qiáng)不僅突破了數(shù)據(jù)來(lái)源的外在限制，更推動(dòng)了系統(tǒng)在內(nèi)部生成、語(yǔ)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(dòng)向內(nèi)源生長(zhǎng)驅(qū)動(dòng)的躍遷潛力。
二、生成式數(shù)據(jù)增強(qiáng)的技術(shù)路徑：由小見(jiàn)大的工程創(chuàng)新
生成式數(shù)據(jù)增強(qiáng)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(shí)現(xiàn)方式主要依托對(duì)抗生成網(wǎng)絡(luò)（GAN）、變分自動(dòng)編碼器（VAE）以及大語(yǔ)言模型（LLM）展開(kāi)，同時(shí)擴(kuò)散模型（Diffusion Models）近年來(lái)也在多模態(tài)生成領(lǐng)域表現(xiàn)突出。
對(duì)抗生成網(wǎng)絡(luò)（GAN）通過(guò)構(gòu)建生成器與判別器之間的博弈機(jī)制，使模型在對(duì)抗過(guò)程中逐步提升合成數(shù)據(jù)的真實(shí)性。生成器嘗試合成以假亂真的樣本，判別器則評(píng)估其真實(shí)性，兩者交替優(yōu)化，直至生成樣本難以與真實(shí)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(diǎn)斷裂、表面劃痕），以擴(kuò)展訓(xùn)練集中對(duì)不良品樣式的覆蓋范圍，從而提升異常檢測(cè)模型對(duì)少見(jiàn)缺陷類型的識(shí)別精度。
變分自動(dòng)編碼器（VAE）主要通過(guò)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(shí)現(xiàn)對(duì)語(yǔ)義特征的可控變換，并保持生成數(shù)據(jù)與真實(shí)樣本在整體分布上的一致性。其典型應(yīng)用之一是在語(yǔ)音克隆任務(wù)中，VAE 可在保留發(fā)音者音色的同時(shí)生成新的語(yǔ)音表達(dá)，用于增強(qiáng)語(yǔ)言模型對(duì)特定發(fā)音風(fēng)格的適應(yīng)能力，并支持個(gè)性化語(yǔ)音合成系統(tǒng)的構(gòu)建。
大語(yǔ)言模型（LLM）依托大規(guī)模語(yǔ)料預(yù)訓(xùn)練與參數(shù)調(diào)優(yōu)機(jī)制，具備強(qiáng)大的語(yǔ)言建模與語(yǔ)義生成能力，結(jié)合提示詞工程（ Prompt Engineering ）技術(shù)可實(shí)現(xiàn)對(duì)生成語(yǔ)義結(jié)構(gòu)的精細(xì)調(diào)控。相比傳統(tǒng)基于模板的文本擴(kuò)展方法，LLM 不僅能夠準(zhǔn)確捕捉復(fù)雜上下文中的語(yǔ)義依賴關(guān)系，還能根據(jù)任務(wù)提示自動(dòng)生成結(jié)構(gòu)化、情境化的文本內(nèi)容。在金融客服等場(chǎng)景中，LLM 可根據(jù)用戶輸入自動(dòng)生成符合業(yè)務(wù)規(guī)范的回復(fù)文本，有效提升對(duì)話系統(tǒng)的語(yǔ)言適配性與響應(yīng)智能。
擴(kuò)散模型（Diffusion Models）通過(guò)“逐步加噪-反向去噪”的過(guò)程學(xué)習(xí)從高斯噪聲向真實(shí)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(yǔ)境，模型在每一步去噪中逐漸補(bǔ)全結(jié)構(gòu)輪廓、還原紋理細(xì)節(jié)，并保持整體風(fēng)格的一致性與歷史連貫性。經(jīng)過(guò)多輪迭代，最終可生成兼具考古真實(shí)性與視覺(jué)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(jī)制并行，生成式數(shù)據(jù)增強(qiáng)的工程流程通常涵蓋“生成-篩選-對(duì)齊-集成”四個(gè)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(shí)別模型的過(guò)程中，生成式數(shù)據(jù)增強(qiáng)就會(huì)通過(guò)上述四個(gè)環(huán)節(jié)來(lái)完成對(duì)模型訓(xùn)練樣本的擴(kuò)充。
在生成階段，模型以少量輿情樣本與原始新聞報(bào)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(yǔ)義視角的擴(kuò)展文本。例如，圍繞同一突發(fā)事件，模型可生成來(lái)自居民、市政部門、媒體評(píng)論等不同身份角度的表述，從而擴(kuò)展原始訓(xùn)練集的語(yǔ)境范圍與表達(dá)多樣性。
在篩選階段，系統(tǒng)引入基于語(yǔ)義嵌入的質(zhì)量評(píng)估機(jī)制，對(duì)生成文本進(jìn)行異常語(yǔ)義檢測(cè)與風(fēng)險(xiǎn)項(xiàng)排查。通過(guò)情緒極值分析、事實(shí)一致性判斷與關(guān)鍵詞規(guī)約等手段，剔除存在煽動(dòng)性、歧義性或語(yǔ)義偏離的樣本，保障數(shù)據(jù)在語(yǔ)義維度上的結(jié)構(gòu)合理性與政策適應(yīng)性。
在對(duì)齊階段，通過(guò)事件標(biāo)簽映射與語(yǔ)義角色識(shí)別，將生成文本中的關(guān)鍵信息抽取并映射至“事件—時(shí)間—地點(diǎn)—責(zé)任方”四元結(jié)構(gòu)，與已有輿情知識(shí)體系實(shí)現(xiàn)結(jié)構(gòu)對(duì)齊。這一過(guò)程有助于提高數(shù)據(jù)在風(fēng)險(xiǎn)分類模型中的標(biāo)注一致性，增強(qiáng)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(duì)齊后的生成數(shù)據(jù)與真實(shí)語(yǔ)料共同用于訓(xùn)練，檢驗(yàn)其在提升輿情識(shí)別模型早期預(yù)警能力與場(chǎng)景泛化能力方面的潛在增益。通過(guò)設(shè)計(jì)對(duì)照實(shí)驗(yàn)，可進(jìn)一步評(píng)估生成式數(shù)據(jù)增強(qiáng)對(duì)模型魯棒性與風(fēng)險(xiǎn)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(guò)全過(guò)程可控與反饋機(jī)制，使生成式數(shù)據(jù)增強(qiáng)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(dòng)的模型自我演化機(jī)制。
三、生成式數(shù)據(jù)增強(qiáng)的質(zhì)量控制：化簡(jiǎn)為繁的機(jī)制保障
與其說(shuō)生成式數(shù)據(jù)增強(qiáng)的關(guān)鍵在于“生成得多”，不如說(shuō)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(jì)分布上貼近真實(shí)樣本，更要在語(yǔ)義結(jié)構(gòu)、標(biāo)簽一致性、任務(wù)可用性等多個(gè)維度實(shí)現(xiàn)高度協(xié)同。為此，構(gòu)建一整套可評(píng)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(qiáng)的質(zhì)量控制主要體現(xiàn)在三類評(píng)估機(jī)制上：一是統(tǒng)計(jì)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(yǔ)義距離；二是任務(wù)指標(biāo)，通過(guò)模型在增強(qiáng)前后測(cè)試集上的精度、召回率、F1-score等指標(biāo)的變化量評(píng)估數(shù)據(jù)對(duì)模型性能的實(shí)際影響；三是語(yǔ)義評(píng)估，基于多模態(tài)嵌入模型或?qū)＜覙?biāo)注對(duì)生成內(nèi)容的語(yǔ)義完整性和邏輯合理性進(jìn)行校驗(yàn)。以慢性病問(wèn)答語(yǔ)料構(gòu)建任務(wù)為例，研究團(tuán)隊(duì)可以利用大語(yǔ)言模型生成多輪醫(yī)患對(duì)話，用于補(bǔ)足真實(shí)語(yǔ)料中的冷門病種與邊緣情境。在評(píng)估環(huán)節(jié)，先以BLEU與BERTScore對(duì)生成問(wèn)答與原始數(shù)據(jù)的語(yǔ)義重合度進(jìn)行篩查，再通過(guò)訓(xùn)練前后模型在實(shí)體識(shí)別與問(wèn)答匹配任務(wù)中的F1-score變化量衡量生成式數(shù)據(jù)增強(qiáng)效果，最后由醫(yī)學(xué)專家對(duì)樣本中潛在誤導(dǎo)性表達(dá)進(jìn)行抽查糾偏。三類機(jī)制協(xié)同配合，既確保數(shù)據(jù)生成的語(yǔ)義貼合性，也保障其任務(wù)適應(yīng)性與語(yǔ)用安全性，為生成式數(shù)據(jù)增強(qiáng)的實(shí)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(qiáng)流程的內(nèi)控機(jī)制也成為質(zhì)量保障的重要抓手。一方面，可以通過(guò)建立生成式數(shù)據(jù)樣本的溯源系統(tǒng)，記錄每個(gè)合成樣本的源模型、輸入樣本、參數(shù)配置與生成時(shí)間，實(shí)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(chǎng)景中，系統(tǒng)可追蹤某條自動(dòng)回復(fù)語(yǔ)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(guò)引入“置信度過(guò)濾機(jī)制”，通過(guò)獨(dú)立評(píng)分器、知識(shí)圖譜或規(guī)則匹配系統(tǒng)自動(dòng)篩除異常樣本，提升數(shù)據(jù)純度。如在醫(yī)療問(wèn)答生成任務(wù)中，研究者可以借助“疾病–癥狀–用藥”圖譜對(duì)模型輸出進(jìn)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(shí)的表達(dá)，從而強(qiáng)化模型在敏感領(lǐng)域的安全邊界。
除了上述機(jī)制外，在高敏感任務(wù)中，還可引入人機(jī)協(xié)同審核機(jī)制，通過(guò)專家復(fù)核與算法評(píng)分相結(jié)合的方式，進(jìn)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(tuán)隊(duì)首先可以通過(guò)大語(yǔ)言模型生成類案推理文本，而后可以再邀請(qǐng)具備司法資質(zhì)的專家團(tuán)隊(duì)對(duì)生成結(jié)果進(jìn)行逐條核查，重點(diǎn)審查事實(shí)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(jī)制與流程管控，仍難以應(yīng)對(duì)生成式數(shù)據(jù)增強(qiáng)在跨行業(yè)、高敏感、強(qiáng)監(jiān)管場(chǎng)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(jī)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(qiáng)化數(shù)據(jù)應(yīng)用方的責(zé)任，推動(dòng)建立“用途登記—適配審查—任務(wù)歸檔”等機(jī)制，確保生成數(shù)據(jù)在實(shí)際場(chǎng)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(huì)與數(shù)據(jù)治理機(jī)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(shí)現(xiàn)對(duì)敏感類型、重點(diǎn)領(lǐng)域的動(dòng)態(tài)監(jiān)測(cè)與風(fēng)險(xiǎn)預(yù)警，最終形成覆蓋生成式數(shù)據(jù)增強(qiáng)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(qiáng)的意義遠(yuǎn)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(zhǎng)的深層轉(zhuǎn)變。在未來(lái)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(dòng)態(tài)演進(jìn)的智能資產(chǎn)。從國(guó)家戰(zhàn)略角度看，生成式數(shù)據(jù)增強(qiáng)是實(shí)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(jià)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(huì)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(qiáng)正成為驅(qū)動(dòng)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(shuí)能率先構(gòu)建可信、規(guī)范、可控的生成式數(shù)據(jù)增強(qiáng)系統(tǒng)，誰(shuí)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(xiàng)目：國(guó)家社會(huì)科學(xué)基金重點(diǎn)項(xiàng)目“基于數(shù)智融合的信息分析方法創(chuàng)新與應(yīng)用”；國(guó)家檔案局科技項(xiàng)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(guó)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(guò)程中所提供的資料收集與整理支持。
