Augmentation（数据增强）是指在不额外采集新数据的前提下，通过对已有样本做变换、扰动或合成，来提升机器学习模型泛化能力的一类技术。它长期是计算机视觉训练流程的标配，如今已扩展到时序预测、机器人、SQL 评测乃至强化学习合作机制等多个方向，成为以数据效率为核心的研究热点。
Augmentation 的近期进展
当前焦点与观察点
现状上，Augmentation 正呈现两条清晰路线：一是工具化与标准化，如 AlbumentationsX 这类统一管线，把增强从研究技巧沉淀为可靠基础设施；二是领域迁移，同一思想被改造用于时序（CTIA-ODE 长期预测）、遥感域泛化（标签解耦风格增强）和文本评测（SQLMorph 用查询变异生成细粒度评测样本）。
值得关注的另一个走向是"增强"一词的语义分叉。除数据增强外，"AI as augmentation"（AI 作为人类能力的增强而非替代）也在成为公共讨论焦点。Ethan Mollick 引用的一项随机对照实验显示，GPT-4o 做家教时能提升成绩，但用于代写时增益一周后即消失——这提示增强与替代的效果差异是可测量的，也值得持续追踪。
总体看，数据增强的研究重心已从"更多变换"转向"更聪明的变换"：与训练策略（如权重平均）、模型结构（如注意力机制）和任务先验深度耦合。对小数据、安全敏感和跨域场景而言，Augmentation 仍是最具性价比的杠杆之一。