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)萃取：開發(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，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)少見缺陷類型的識(shí)別精度。

變分自動(dòng)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(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“逐步加噪-反向去噪”的過程學(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)過多輪迭代，最終可生成兼具考古真實(shí)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(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)別模型的過程中，生成式數(shù)據(jù)增強(qiáng)就會(huì)通過上述四個(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，更通過全過程可控與反饋機(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)生成問答與原始數(shù)據(jù)的語(yǔ)義重合度進(jìn)行篩查，再通過訓(xùn)練前后模型在實(shí)體識(shí)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(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，還可能通過引入“置信度過濾機(jī)制”，通過獨(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程中所提供的資料收集與整理支持。