針對真實世界數據採集耗時且重複性高的痛點，業界正加速導入「合成數據」（Synthetic Data）技術。根據外媒報導，Bifrost AI共同創辦人暨執行長Charles Wong指出，透過合成數據生成的極端場景與熱成像模擬，能有效填補真實數據的缺口，使機器人系統迭代速度提升達100倍，同時降低高達70%的數據採集成本。

真實世界的侷限：數據雖多但缺乏變化 機器人團隊過去依賴海量的真實數據來訓練系統，但這面臨著巨大的效率問題。現實世界的數據往往高度重複——車隊記錄到的多是相同的空曠街道、平靜海面與無事件發生的巡邏過程。真正具有訓練價值的「邊緣案例」（Edge cases），如惡劣天氣、光線劇變或罕見災害，在現實中極難捕捉。

Charles Wong強調，開發團隊無法為了等待特定季節而耗費一年，也不可能為了收集數據而製造數千次真實碰撞事故。現實世界產生變化的速度，遠遠跟不上現代自動化技術的需求。

合成數據：按需生成的虛擬訓練場 合成數據解決了這個問題。它能「按需生成」特定的極端場景，從結冰路面到一年僅發生一次的罕見危害，都能在虛擬環境中精確構建。這就像人類觀看《侏羅紀公園》就能學會辨識恐龍一樣，電腦視覺模型也能透過模擬範例，在從未遇見真實物體前就學會識別它們。這種方式讓機器人在接觸實體世界前，就已具備應對各種情境的認知能力。

超越可見光：合成熱成像數據的關鍵應用 現代機器人不僅依賴鏡頭，還使用光達（LiDAR）、雷達和聲納來感知世界。特別是在夜間或濃霧等能見度低落的情況下，將熱能轉化為影像的「熱成像儀」至關重要。然而，採集高風險環境的熱影像極具挑戰性。

合成數據適用的領域包含：海上自主船隻：在霧氣與黑暗中，當RGB鏡頭失效時，合成熱成像數據能訓練系統辨識人員、船隻與海岸線；夜間無人機：在複雜地形進行夜間飛行或避障充滿風險，合成數據能讓無人機學習在零光照、煙霧與濃密植被中導航；衛星監測：受限於大氣干擾與感測器限制，衛星難以捕捉地球上所有熱訊號場景，合成數據能填補氣候監測與災害應變模型的空白。

真實與合成的混合策略 Charles Wong觀察到，從NASA月球車團隊到國防科技公司Anduril，頂尖的機器人團隊採取的策略並非「二選一」，而是「混合制」。雖然真實數據提供了任務的細微差別，但往往存在偏差與缺口。透過合成數據精確填補這些漏洞，並結合真實數據的細膩度，團隊能構建出更強韌的AI系統，以應對真實世界中那些低機率但高風險的嚴苛挑戰。