Gomez表示，合成数据的使用在一些特定领域已经很成功，例如图像生成和语音识别等。然而，对于自然语言处理（NLP）领域的训练来说，合成数据的应用尚未广泛推广。
相比之下，获取大规模的真实数据对于训练NLP模型来说是一项巨大的挑战。社交媒体公司通常会对其数据收集进行费用高昂的许可，这使得初创公司和小型企业很难获得足够的数据来训练其AI模型。
为了解决这个问题，Cohere等公司开始探索数据合成的潜力。他们利用生成模型和其他技术来创建虚拟的文本数据，以用于训练NLP模型。虽然合成数据可能无法完全模拟真实世界，但它们可以提供足够多的变化和多样性，以帮助模型学习语言的各种特征和上下文。
然而，这种方法仍然存在一些挑战和限制。合成数据可能无法涵盖真实世界中的所有语言和表达方式，这可能会对模型的泛化能力产生一定的影响。此外，合成数据生成的质量也是一个重要问题，需要确保生成的数据与真实数据的差异最小化。
尽管存在一些挑战，但Gomez相信，随着技术的进步和更多公司对合成数据的应用，这种方法将在未来得到更广泛的应用。合成数据可为初创公司和小型企业提供一个经济实惠的选择，以进行高质量的AI模型训练，而无需依赖昂贵的真实数据收集。
