從真實到合成：資料信任體系的重塑

在人工智慧（AI）快速發展的過程中，資料一直被視為驅動模型進化的核心資源。在現實世界資料有限、成本高昂或涉及敏感資訊的情況下，合成資料（synthetic data）可以彌補資料缺口，並逐漸從輔助工具轉變為資料基礎設施。值得關注的是，在合成資料帶來速度與效率等優點的同時，亦對既有資料信任機制帶來結構性的挑戰，倘若缺乏治理，可能成為企業隱藏的風險來源。當資料可以被創造，能否建立可信的使用機制，將是決定價值的關鍵。

合成資料是指利用數學模型、統計學演算法或AI生成模型的人工生成資訊。在理想狀態下，合成資料能保留原始資料的統計特徵，卻不包含任何特定個體的敏感資訊，為長久以來的隱私保護與資料流通難題提供了技術解方。

然而，這帶來一個根本問題：當我們賴以決策的基礎從「真實觀測」轉向「人工生成」，數位世界的信任基石是否會受到威脅？合成資料的崛起，不只是技術突破，對既有資料信任機制也面臨結構性挑戰。

合成資料的興起，是市場與治理環境壓力驅動下的結果。首先，隱私法規與資料主權的強化，使真實資料的取得與共享變得困難。如歐盟的《一般資料保護規定》（GDPR）等法規大幅提高資料使用門檻，使企業與機構在跨機構、跨國資料流動上面臨限制。其次，AI模型對資料的需求急速增加，從傳統機器學習到大型語言模型和多模態系統，資料量與多樣性的需求呈現指數成長。三是真實資料的蒐集與標註成本高昂且耗時，使資料供應逐漸成為AI發展瓶頸。

在此一背景下，合成資料逐漸從輔助工具轉變為資料基礎設施。例如在金融領域，機構透過模擬交易行為生成大量異常樣本，作為提升詐欺偵測能力；在醫療領域，合成病歷讓跨機構研究得以在不暴露個資的情況下進行；在自駕車領域，可以快速生成各種極端天候與罕見事故場景，加速模型訓練。

相關應用凸顯資料不再只是被動蒐集的資源，而是可以被主動設計與生成的資產。資料供應鏈從「蒐集、清理、使用」的線性流程，轉變為「生成、調整、優化」的循環系統。

但是當資料來源從「觀測現實」轉向「模型生成」，信任的基礎也隨之改變。傳統上，資料的可信在於其直接反映現實世界；即使存在誤差，仍可透過統計方法修正。然而合成資料並非對現實的直接記錄，而是由模型、參數與設計選擇所生成，其可信度取決於生成邏輯與使用情境。

這種轉變使過去建立在「來源可信」之上的信任模式，逐漸不適用，取而代之的是更難察覺的風險結構，導致信任機制出現斷層。首先，合成資料往往基於既有資料生成，若原始資料存在偏差，模型可能在生成過程中強化這些偏誤，進而影響決策。再者，生成模型可能產生看似合理但實際不存在的變數關聯，使系統在關鍵情境中做出錯誤判斷。此外，若模型持續使用自身生成的資料進行訓練，可能導致分布偏移，最終偏離世界實際運作的規律。

醫療領域的合成資料應用，揭示這種風險的具體樣貌。如部分醫療期刊相關研究中指出，合成電子病歷資料在生成過程中，可能扭曲疾病關聯或低估特定族群風險，使模型在臨床判斷上產生偏差。這些資料在統計上看似合理，甚至能通過模型效能測試；但在臨床應用卻可能導致誤診或不當決策。這類問題往往不易在傳統驗證流程中被發現，但卻會在實際決策中放大其影響。

因此，在合成資料時代，信任的基礎正轉向「資料是否經過可理解、可控制且可驗證的生成與使用過程」。

（本文為勵秀玲、洪春暉共同執筆，勵秀玲為資策會MIC產業顧問兼主任，洪春暉為資策會MIC所長）