Big techs e dados sintéticos: o que há de evidência

FUNDAMENTOS

Nvidia, Google e OpenAI falam de dados sintéticos. O que cada fonte realmente diz, o que é anúncio e o que é resultado, e o que isso significa para visão.

"As big techs já usam dados sintéticos" é uma frase fácil de repetir. Este post olha para três fontes públicas, uma da Nvidia, uma do Google e uma da OpenAI, e separa o que cada uma diz do que costuma ser atribuído a ela. As três tratam de coisas diferentes, e só uma delas traz resultado com número.

O que cada fonte diz

• Nvidia (CES 2025, 6 de janeiro de 2025). No post do blog da empresa sobre a keynote, Jensen Huang fala em dados sintéticos para veículos autônomos: o Omniverse serve para testar e gerar dados sintéticos, e uma “fábrica de dados” com Omniverse e Cosmos pode transformar “centenas de viagens em bilhões de milhas efetivas”. Ele também cita a geração de milhões de movimentos sintéticos para treinar robôs humanoides. É a fala de uma fabricante que vende a plataforma, em um evento de produto.
• Google Research (16 de abril de 2026). O post apresenta o Simula, um método para gerar datasets sintéticos controlando separadamente cobertura, complexidade e qualidade. Os testes são em texto (cibersegurança, raciocínio jurídico, matemática, conhecimento multilíngue), em uma configuração de destilação: o modelo professor é o Gemini 2.5 Flash, o aluno, o Gemma-3 4B, com datasets de até 512 mil exemplos. Aumentar a complexidade deu 10% de ganho de acurácia no GSM8k e piorou o resultado no LEXam, em que o professor era mais fraco. Os autores dizem que não existe uma receita única para todos os domínios. O argumento sobre gerar casos extremos para testar sistemas antes que ocorram é uma motivação do texto, sem experimento de segurança no post.
• OpenAI (cookbook, 10 de abril de 2024). É um tutorial, hoje marcado como arquivado, de como usar um modelo para gerar dados sintéticos tabulares e textuais, incluindo ideias para dados raros ou desbalanceados. A página não afirma que a OpenAI treina os próprios modelos com dados sintéticos.

O que isso mostra, e o que não mostra

Nenhuma das três fontes demonstra que um modelo de visão de uma big tech foi treinado com sintético e superou um baseline. A Nvidia descreve uma plataforma, o Google mostra resultados em texto, e a OpenAI ensina uma técnica. Para visão computacional, a evidência mais próxima vem de papers com número, como o DAViD, da Microsoft (profundidade, normais e máscara de pessoas, treinados com 300 mil imagens sintéticas), e o SynBalance, de pesquisadores da AWS AI Labs e da Universidade de Washington (imagens geradas para classes raras). Ambos são resultados específicos, em benchmarks específicos, e já analisamos cada um aqui no blog.

O limite desta leitura

• Fontes de natureza diferente. Um blog de keynote, um blog de pesquisa e um tutorial não têm o mesmo peso. Este post não usou relatos de imprensa sobre o uso interno de dados sintéticos por essas empresas, porque não conseguiu confirmá-los em fonte primária.
• Texto e visão. O exemplo do Google é de linguagem, e o da Nvidia é de condução e robótica. O que vale para um não vale automaticamente para o outro.
• A data das fontes. A fonte do Google é posterior à publicação original deste post (fevereiro de 2025). O panorama muda rápido, e a lista aqui é uma amostra, não um levantamento completo.

O que muda com uma cena controlada

Esta seção é a nossa leitura, não a das fontes. O que as três têm em comum é o dado gerado sob controle: no caso da Nvidia, cenas de direção em simulação; no do Google, parâmetros de cobertura e complexidade; no da OpenAI, instruções sobre o que gerar. Em visão, a cena controlada permite declarar as condições (luz, material, câmera, proporção de classes), obter o rótulo junto com o pixel e reproduzir cada amostra. O que ela não faz é substituir a validação em dados reais, que continua sendo o teste de qualquer um desses métodos.

O que levar para o seu projeto

• Separe anúncio de resultado. Pergunte, para cada afirmação, se há um benchmark, uma métrica e um baseline por trás.
• Verifique se a evidência é do seu tipo de dado. Resultado em texto ou em direção autônoma não responde sozinho à sua tarefa de visão.
• Trate a mistura de real e sintético como uma hipótese a medir, com um teste em dados reais do seu caso.

Quer entender onde dados sintéticos entram no seu pipeline? Conte para nós em uma conversa de diagnóstico. Se dado sintético não for o caminho, dizemos isso também.

Fontes

• Nvidia. CES 2025: AI Advancing at ‘Incredible Pace’. Blog da Nvidia, 6 de janeiro de 2025.
• Davidson, T. R., Harkous, H. Designing synthetic datasets for the real world. Google Research, 16 de abril de 2026.
• Almeida, D. R. Synthetic data generation (Part 1). OpenAI Cookbook, 10 de abril de 2024 (arquivado).