针对真实世界数据采集耗时且重复性高的痛点，业界正加速导入「合成数据」（Synthetic Data）技术。根据外媒报导，Bifrost AI共同创办人暨执行长Charles Wong指出，透过合成数据生成的极端场景与热成像模拟，能有效填补真实数据的缺囗，使机器人系统迭代速度提升达100倍，同时降低高达70%的数据采集成本。

真实世界的局限：数据虽多但缺乏变化 机器人团队过去依赖海量的真实数据来训练系统，但这面临着巨大的效率问题。现实世界的数据往往高度重复车队记录到的多是相同的空旷街道、平静海面与无事件发生的巡逻过程。真正具有训练价值的「边缘案例」（Edge cases），如恶劣天气、光线剧变或罕见灾害，在现实中极难捕捉。

Charles Wong强调，开发团队无法为了等待特定季节而耗费一年，也不可能为了收集数据而制造数千次真实碰撞事故。现实世界产生变化的速度，远远跟不上现代自动化技术的需求。

合成数据：按需生成的虚拟训练场 合成数据解决了这个问题。它能「按需生成」特定的极端场景，从结冰路面到一年仅发生一次的罕见危害，都能在虚拟环境中精确构建。这就像人类观看《侏罗纪公园》就能学会辨识恐龙一样，电脑视觉模型也能透过模拟范例，在从未遇见真实物体前就学会识别它们。这种方式让机器人在接触实体世界前，就已具备应对各种情境的认知能力。

超越可见光：合成热成像数据的关键应用 现代机器人不仅依赖镜头，还使用光达（LiDAR）、雷达和声纳来感知世界。特别是在夜间或浓雾等能见度低落的情况下，将热能转化为影像的「热成像仪」至关重要。然而，采集高风险环境的热影像极具挑战性。

合成数据适用的领域包含：海上自主船只：在雾气与黑暗中，当RGB镜头失效时，合成热成像数据能训练系统辨识人员、船只与海岸线；夜间无人机：在复杂地形进行夜间飞行或避障充满风险，合成数据能让无人机学习在零光照、烟雾与浓密植被中导航；卫星监测：受限於大气干扰与感测器限制，卫星难以捕捉地球上所有热讯号场景，合成数据能填补气候监测与灾害应变模型的空白。

真实与合成的混合策略 Charles Wong观察到，从NASA月球车团队到国防科技公司Anduril，顶尖的机器人团队采取的策略并非「二选一」，而是「混合制」。虽然真实数据提供了任务的细微差别，但往往存在偏差与缺囗。透过合成数据精确填补这些漏洞，并结合真实数据的细腻度，团队能构建出更强韧的AI系统，以应对真实世界中那些低机率但高风险的严苛挑战。