合成データ(Synthetic Data)とは・意味、生成方法・背景・事例

合成データとは?
合成データ(Synthetic Data)とは、アルゴリズムやシミュレーション、AIモデルを使って人工的に作った、現実のデータに似せたデータのこと。
100人を超える専門家がまとめた International AI Safety Report 2026 によると、文章や画像などの合成データは、ほかに良質なデータが少ないときなどにAIモデルの学習に使われることがある。
日本語の公的な資料にも、この語は登場する。ジオAI研究会は国土交通省が2026年5月に公表した中間整理で、地理空間情報の拠点である「G空間情報センター」をAIに対応させる取り組みの例に、AIの推論に基づく「合成データ」の生成を挙げた。
合成データは、個人のデータを守る技術の文脈でも使われる。一般財団法人の日本情報経済社会推進協会(JIPDEC)は2026年4月に公表した企業の調査で、プライバシー保護を強化する技術(PETs)として匿名化や秘密計算などとともに合成データを挙げ、企業に認知度を尋ねた。
合成データの主な生成方法
AIの学習に使う合成データには、主に次のような作り方がある。
- 正誤を確かめられる問題で作る:数学やプログラミングのように出力を確かめられる分野では、モデルが解答を出して正しさを確かめることで、学習のデータを作れる。答える段階の計算を増やすテスト時計算の近年の手法でも、モデルは、各段階を確かめられる推論の過程を自ら数百万件作り、それを使って学習した。
- 既存の文章を言い換える:言語モデルに、元の文章の事実を保ったまま文体や視点を変えて書き直させる。Moonshot AI のチーム(Kimi Team)は、この方法で良質な文章の量を増やした。
- 良質な「種」から段階を分けた指示で作る:ウェブのページや書籍、コードから選んだ抜粋を合成データの元になる種にし、言語モデルに練習問題や議論、推論の課題へ書き直させる。phi-4 を開発した Microsoft Research の研究者らは、モデル自身に出力を批評させて直す手順も組み合わせた。
- シミュレーションや世界モデルで映像を作る:仮想の3次元の場面から、物理の法則に沿った写実的な映像を作り、ロボットや自動運転車のAIの学習と評価に使う。NVIDIA は2025年1月に、こうした使い方を想定した基盤を発表した。
合成データが注目されるようになった背景
International AI Safety Report 2026 によると、AIの進歩の多くは、主にインターネットから集めた文章を使い、より大きなデータでモデルを学習させることでもたらされてきた。ただ、良質な言語のデータには限りがあり、データの不足が今後の進歩を妨げる可能性があるという。
公開のインターネットにある良質な文章は現時点の推計でおよそ10の13乗トークンで、モデルはすでにこの上限に近い量のデータで学んでいると、同じ報告書は記している。トークンは、AIが文章を処理するときの文字のまとまりを指す。
AIの動向を調べる研究機関 Epoch AI は2024年6月に、人が書いた公開の文章のうち学習に使える質の文章が、実質でおよそ300兆トークンあると見積もった。同機関の以前の見積もりは良質な文章でおよそ10兆トークンだったが、選別したウェブの文章が有効であることと、同じデータで繰り返し学習できることを考慮したことで大きく増えた。
学習に使うデータの量が増えるこれまでの傾向が続けば、言語モデルは2026〜2032年のどこかでこの見積もりの量を使い切ると、Epoch AI は同じ報告で予測した。この期間は80%の信頼区間で示したもので、同機関は、計算量に見合う最適な量よりずっと多いデータでモデルを学習させればこの量を使い切る時期はもっと早まりうるとした。
Epoch AI は、2030年より先も進歩を続けるには新しい工夫が必要だとし、特に関係が深そうな分野に合成データ、ほかの種類のデータからの学習、データの効率の改善の3つを挙げた。一方で、合成データについてはまだよく分かっておらず、能力を確かに高めると示されたのは数学やプログラミングのような比較的狭い分野だけだとしていた。
どの工夫が成功するかについて、Epoch AI は予測できないとしつつ、計算資源に比べてデータが希少になるにつれてこうした技術の開発への投資が大きく増え、その開発は成功するとみていた。
2025年1月に出た前回の版からの動きとして International AI Safety Report 2026 が記したのは、学習のコードを書く作業や合成の学習データを作る作業などに、AIの道具が日常的に組み込まれるようになったことだ。人手のかかる事後学習(事前学習のあとにモデルを用途に合わせて整える段階)でも、合成データを使う方向への移行がこの段階の人手の作業を減らしつつあるという。
合成データに関する主な出来事・ニュース
- 2024年6月6日 Epoch AI「Will we run out of data?」を公開:Epoch AI は、人が書いた公開の文章のうち学習に使える質の文章が実質でおよそ300兆トークンあると見積もり、学習に使うデータの量が増える傾向が続けばこの量を2026〜2032年に使い切ると予測した。
- 2024年7月24日 Ilia Shumailov 氏ら「AI models collapse when trained on recursively generated data」を公開:Shumailov 氏らは学術誌 Nature の論文で、モデルが作ったデータが次の世代のモデルの学習データに混ざり、そのデータで学んだモデルが現実を誤って捉えるようになる過程を「model collapse」と定義した。
- 2024年12月12日 Marah Abdin 氏ら「Phi-4 Technical Report」を公開:Abdin 氏らは、学習の全体に合成データを取り入れた140億パラメーターの言語モデル phi-4 の技術報告を、arXiv で公開した。
- 2025年1月6日 NVIDIA「Cosmos」を発表:NVIDIA は、物理に基づく写実的な合成データを大量に作れる世界基盤モデルなどからなる基盤 Cosmos を発表した。
- 2025年7月28日 Kimi Team「Kimi K2: Open Agentic Intelligence」を公開:Kimi Team は、エージェントの作業のデータを大規模に合成する仕組みを事後学習に取り入れた言語モデル Kimi K2 の論文を、arXiv で公開した。
- 2026年2月3日 Yoshua Bengio 氏ら「International AI Safety Report 2026」を公表:Bengio 氏らは報告書で、答えを確かめられる分野では合成データで学習のデータを作れる一方、確かめにくい分野ではモデル崩壊のおそれがあるとした。
合成データに関する事例・研究
Microsoft の phi-4 は学習の全体に合成データを使う
Microsoft Research の Marah Abdin 氏らは2024年12月、140億パラメーターの言語モデル phi-4 の技術報告を公開した。合成データの「種」は、ウェブのページや書籍、コードから選んだ抜粋や、集めた質問だ。同氏らは種を、段階を分けた指示で練習問題や議論、推論の課題に書き直し、50種類の合成データの集まりを作った。合成データの合計は、およそ4,000億トークンだ。
コードの合成データを作るときは、既存のコードから、そのコードを求める指示文を作る「instruction reversal」も使った。合成したコードの正しさは、実行とテストで確かめた。
事前学習のデータの配分は、合成データが40%、ウェブの文章とその書き直しが半分ずつで30%、コード(合成と元のコードの混合)が20%、学術の資料や書籍などが10%だった。同氏らは、ウェブの文章の書き直しも合成データの一部に数えている。
Abdin 氏らは、種のデータの小さな誤りで、そこから作る合成の文書の質が大きく下がることがあるとした。そのため、同氏らはウェブのデータの選別に多くの労力を注いだ。
Kimi K2 は言い換えで良質な文章を増やした
Moonshot AI の Kimi Team は2025年7月、15.5兆トークンで事前学習した言語モデル Kimi K2 の技術報告を公開した。チームは、良質な人のデータが手に入りにくくなるなかで、1トークンから得られる学習の効果がモデルを大きくするうえで重要になりつつあるとの考えを示した。
知識の文章については、チームは言語モデルに文体や視点を変えて元の文章に忠実に言い換えさせた。長い文書は区切って順に書き直し、書き直した部分をつなぎ合わせた。言い換えた文が元の文と同じ意味かどうかも確かめた。数学の分野では、良質な文書を Kazuki Fujii 氏らの SwallowMath の方法にならって学習ノートの形に書き直した。
K2 の学習の初期の段階のモデルで比べると、事実を問う評価 SimpleQA の正答率は、元のウィキの文章を10回繰り返して学ばせたときに23.76%だった。1回言い換えて10回繰り返すと27.39%、10通りに言い換えて1回ずつ学ばせると28.94%になった。
Anthropic は規則の文書から作った合成データで安全策を学習
Anthropic は2026年1月の研究の発表で、前の年に紹介した安全策 Constitutional Classifiers を振り返った。この安全策は、モデルへの入力と出力を見て、有害なおそれのある内容を見つけて止める分類器だ。
Constitutional Classifiers の新しい点として同社が挙げるのは、許されることと許されないことを普通の言葉で定めた「constitution(憲法)」から作った合成データで、分類器を学習させたことだ。同社は例として、大学の化学の宿題は手伝うが、「Schedule 1」に当たる化学物質の合成は手伝わないという規則を挙げている。
Anthropic は、多くの依頼に通じるユニバーサル・ジェイルブレイクが現実の被害につながるおそれが最も大きいとして、分類器がこれを防げるかに特に関心を持っていた。
NVIDIA はロボットなどの学習に使う合成データの生成を打ち出す
NVIDIA は2025年1月6日、ロボットや自動運転車などのフィジカルAIの開発に向けた基盤 Cosmos を発表した。同社は、フィジカルAIのモデルの開発には現実の大量のデータと試験が必要で、費用がかかると説明する。
同社は Cosmos の世界基盤モデル(world foundation models)を、物理に基づく写実的な合成データを大量に作り、既存のモデルの学習と評価に使えるものとしている。
NVIDIA は2026年3月16日の発表で、クラウドの Microsoft Azure と Nebius がそれぞれのクラウドを使う開発者に向けて、エージェントを使って合成データを大規模に作れるようにするため、同社の「Physical AI Data Factory blueprint」を組み込んでいるとした。
合成データの英語での言い方
| 英語表記 | 意味 | 使用主体 |
|---|---|---|
| synthetic data | 人工的に作ったデータ。文章や画像などがあり、AIモデルの学習に使われることがある | International AI Safety Report、Microsoft Research、Epoch AI など |
| synthetic data generation | 合成データの生成 | NVIDIA、EU AI法の前文 |
| organic data | 人が作ったデータなど、合成でないデータ | Microsoft Research |
| web rewrites | ウェブの文章を書き直した合成データ | Microsoft Research |
| rephrasing | 元の文章を言語モデルに言い換えさせて学習のデータを増やすこと | Kimi Team |
| model collapse | モデルが作ったデータで学んだ次の世代のモデルが劣化する過程 | Shumailov 氏ら、International AI Safety Report |
合成データの限界とEU AI法での扱い
答えを確かめにくい分野ではモデル崩壊のおそれ
モデル崩壊(model collapse)は、Shumailov 氏らが2024年7月の論文で使った語だ。同氏らは、モデルが作ったデータが次の世代のモデルの学習データに混ざり、そのデータで学んだモデルが現実を誤って捉えるようになる過程をこう呼んだ。
創作や戦略の立案、科学の仮説づくりのように答えを確かめにくい、または確かめられない分野では、合成データがモデル崩壊を招くおそれがあると、International AI Safety Report 2026 は指摘する。
研究者は、答えを確かめる別のモデルを鍛えて、こうした分野にも合成データを広げられるかを探っている。答えを確かめることが答えを作ることより易しい課題なら、正解の示されていない新しいデータでもモデルを学習させられる可能性があると、同報告書はみる。ただし、この考え方はまだ主に理論の段階にとどまるという。
知識を問う評価でウェブのデータの効果がはっきり出た
Microsoft Research の Abdin 氏らは、事前学習のデータの配分を変えて、70億パラメーターのモデルで比べた。ウェブのデータの効果がはっきり出た評価は、知識を問う TriviaQA だけだった。
合成データの割合をさらに高めた配分は、事前学習の段階では、評価の成績が実際に使った最終の配分よりわずかに良かった。その差は事後学習を経て大きく縮んだという。それでも同氏らは知識の評価を上げるため、選んで集めた資料と知識の多いウェブのデータを配分に組み込んだ。同氏らは、ウェブなどから集めた質問は合成の質問よりかなり効果が大きかったとも書いている。
Kimi Team は、言い換えたデータの一部を使った初期の実験の結果は有望だとしつつ、合成データを今後の拡大の手段にすることはまだ研究の途中だとする。同チームは主な課題として、事実の正確さを損なわずにほかの分野へ広げること、ハルシネーション(事実と異なる出力)や意図しない有害な表現を抑えること、大規模なデータに広げることの3つを挙げた。
EU AI法は偏りの検出の例外の条件に合成データを挙げる
偏りの検出と修正のために厳密に必要な範囲で、例外として特別な種類の個人データを扱える条件がEU AI法に定められている。この定めは高リスクのAIシステムの提供者を対象に第10条に置かれていたが、2026年7月27日に発効した改正(Digital Omnibus on AI)で第4a条に移った。条件の1つは、合成データや匿名化したデータなど、ほかのデータでは偏りの検出と修正を効果的に行えないことだ。
EU AI法の前文は合成データの生成も計算量に含める
汎用AIモデルの学習に使った計算量の累計には、事前学習やファインチューニングと並んで合成データの生成も含まれると、EU AI法の前文(第111項)は説明している。この計算量には当初の基準値を設けるべきだとし、それを満たすモデルはシステミックリスクのある汎用AIモデルと推定されると記している。
合成データに関連する用語
- RLVR(検証可能な報酬による強化学習):数学の答えの正誤やプログラムのテストの合否のように、機械で確かめられる基準を報酬にしてAIモデルを鍛える強化学習。
- 世界モデル:現実や仮想の世界がどう動くかをデータから学び、この先に起きることや、ある行動をとったときの結果を予測・模擬するAIのモデル。
- フィジカルAI:現実の空間の状況を読み取り、ロボットや自動運転車などの機械を動かして作業を行うAI。
- ユニバーサル・ジェイルブレイク:依頼ごとに作り直さなくても、禁止された多くの依頼でAIの安全策を回避できるジェイルブレイク。
合成データに関する出典
Y. Bengio ほか「International AI Safety Report 2026」(2026年2月3日)
ジオAI研究会「中間整理 ~地理空間情報×AIの融合の推進~」(2026年5月)
日本情報経済社会推進協会「企業IT利活用動向調査2026 集計結果」(2026年4月15日)
Kimi Team「Kimi K2: Open Agentic Intelligence」(2025年7月28日、2026年2月3日改訂、arXiv)
Marah Abdin ほか「Phi-4 Technical Report」(2024年12月12日、arXiv)
NVIDIA「NVIDIA Launches Cosmos World Foundation Model Platform to Accelerate Physical AI Development」(2025年1月6日)
Pablo Villalobos ほか「Will we run out of data? Limits of LLM scaling based on human-generated data」(2024年6月6日、Epoch AI)
Ilia Shumailov ほか「AI models collapse when trained on recursively generated data」(2024年7月24日、Nature)
Marah Abdin ほか「Phi-4 Technical Report」(2024年12月12日、arXiv)
Kimi Team「Kimi K2: Open Agentic Intelligence」(2025年7月28日、2026年2月3日改訂、arXiv)
Anthropic「Next-generation Constitutional Classifiers: More efficient protection against universal jailbreaks」(2026年1月9日)
NVIDIA「NVIDIA and Global Robotics Leaders Take Physical AI to the Real World」(2026年3月16日)
欧州議会・EU理事会「Regulation (EU) 2024/1689 (Artificial Intelligence Act)」(2024年7月12日、EU官報)
欧州議会・EU理事会「Regulation (EU) 2026/1744 (Digital Omnibus on AI)」(2026年7月24日、EU官報)




