合成数据已成为机器学习研究中的常见工具，在隐私敏感场景中的应用尤其广泛。然而，作者指出一个关键转变：合成数据在实践中已从“给定假设下的残余推理风险声明”悄然转变为“由数据生成过程本身得出的外观属性”，即许多研究者默认生成出来的数据就具备隐私保证，而不再明确阐述威胁模型和残余风险。本文作为一篇立场论文，主张这种转变并非对既有隐私原则的误解，而是反映了社区在“何为充分隐私证据”上的标准变化。作者通过对主流机器学习会议与期刊近期发表物的实证分析发现，大量论文在隐私敏感环境中使用合成数据，却往往缺少对威胁模型、推理风险或可证伪隐私假设的显式说明。由此导致的后果是：隐私保证变得隐式、难以验证且在不同记录间分布不均——尤其对稀有与少数群体记录带来更高暴露风险。为推动解决该问题，作者主张将隐私视为一种有明确范围、基于证据并可测试的科学声明，并建议机器学习相关场所采纳规范：凡是涉及隐私的断言，都应当被清晰地划清边界、具备可检验性与可争议性。本文并非提出新算法或系统，而是对当前研究规范提出批判，并通过实证数据支撑其观点，适合机器学习研究者、隐私爱好者与安全审查者阅读。