微软人工智能部门首席执行官穆斯塔法·苏莱曼（Mustafa Suleyman）近日（美东时间 ET）公布了一组对比数据：在复杂医学病例的模拟测试中，微软研发的AI诊断系统准确率达到83%，而参与对照的人类全科医生与普通内科医生准确率仅为36%。这项周四发表在《科学》（Science）杂志上的研究，被苏莱曼定义为迈向“医疗超级智能”（medical superintelligence）的重要一步。

但这组数据背后有两处落差。一是对照组的设定：测试所用的《新英格兰医学杂志》（NEJM）疑难病例，在现实医院里通常由专科医生团队会诊处理，而实验中的人类对照却是各自独立作业、仅能查阅参考资料的全科与内科医生。二是研究自身的数据表显示，当底层接入OpenAI的GPT-5或GPT-5.5等强力模型时，单靠模型自身就能拿到极高分数，微软自研的编排系统在急诊科病例上几乎没有带来额外的准确率提升。微软高调宣示“医疗超级智能”路线图，究竟是它的医疗系统架构实现了突破，还是底层通用大模型在出力？

像专家会诊一样看病，MAI-DxO系统到底是怎么运转的？

要理解微软这套名为MAI-DxO（简称DxO，即诊断编排器）的系统，可以先看传统医院如何处理疑难杂症。

在日常门诊中，全科医生面对发热、咳嗽的普通患者，通常会根据经验开具血常规或胸片，逐步排查肺炎等常见病。但当患者症状罕见且跨越多门学科时，单看的门诊医生容易遇到知识盲区。医院此时会启动多学科会诊（MDT），召集不同科室的专家一起讨论：先追问病史细节、提议做特定化验，再对初步结论提出质疑，在争论与排查中确定病因。

以前测试医疗AI，常用美国执业医师资格考试（USMLE）这类标准化选择题。微软在研究背景中指出，选择题考试偏重死记硬背，容易夸大AI模型的真实临床能力，因为现实中没有患者会带着四个选项走进诊室。

为了还原看病过程，微软AI团队构建了名为SDBench（序贯诊断基准）的测试框架，将304个NEJM的临床病理讨论病例转化为交互式、多轮、分步骤的诊断挑战。在此基础上，DxO不再让单个AI模型直接猜答案，而是协调多个AI智能体（Agents）组成虚拟的“医生专家组”。它们在模拟环境中向患者提问收集病史，决定开具哪些检查化验单并计算检查成本，同时在内部就不同诊断假设展开辩论，最后给出结论。

这套“分步问诊+内部辩论”的编排机制，除了提高猜中病名的概率，也试图控制医疗资源消耗。实际运行中，它每多开一项检查，都会计入单病例的估算运行成本。微软曾称其早期方案开具检查更高效、成本低于人类医生，并在此次研究中同时从准确率与单病例估算成本两个维度评估DxO。

83%对36%的悬殊比分，真是微软编排系统的功劳吗？

在NEJM复杂病例模拟中，DxO的准确率为83%，高于独立作业的全科与普通内科医生的36%。而在2025年6月微软首次通过arXiv预印本和官方博客披露早期研究时，它搭配OpenAI o3模型解决了超过十分之八的精选病例；当时在不允许咨询同事、翻阅教材或使用聊天机器人的限制下，执业医生的成功率为十分之二。

这两个阶段的测试里，AI赢过人类独立医生的幅度都很大。但细看《科学》杂志披露的不同模型对比数据，情况并不一样。

微软测试DxO时，底层先后接入了OpenAI、Google、Anthropic、Meta、DeepSeek以及xAI旗下Grok等多家机构的模型。数据表明，真正决定诊断水平上限的依然是底层大模型本身的实力，DxO更多是在此基础上做辅助优化。

在强模型上，这种加成呈现出边际效应递减。研究人员仅用简短的基础提示词让GPT-5独立应对复杂病例时，它自己的准确率就已达到78.9%，单病例估算成本约为8400美元；套上DxO后，成本削减了约3000美元，但准确率仅提升约4个百分点。在2026年4月发布的更新版本GPT-5.5上，DxO在复杂病例中将其准确率从72%推高至接近87%，成本略有下降。

对于能力较弱的模型，DxO的拉升作用更明显。比如Google的Gemini 2.5 Flash独立测试时准确率为46.4%，加上DxO辅助后升至接近69%。即便如此，弱模型加上DxO后的得分，依然落后于不加任何编排的裸跑版GPT-5。微软的研究人员也承认，随着底层模型自身能力逼近理论上限，编排系统能带来的准确率增益自然会萎缩。微软发言人对此解释称，DxO的价值在于同时优化准确率与成本这一更广泛的工程挑战。

到了急诊科常见场景，差异更加直接。根据微软官方披露的数据，在以MIMIC-IV-ED数据库病例所代表的美国急诊科常见就诊情境中，DxO的诊断准确性是医生的1.7倍。但如果单独对比“有DxO编排”与“无DxO编排的裸模型”，在急诊科病例上，无论是搭载GPT-5还是GPT-5.5，加上DxO之后在准确率和成本上都几乎没有改善——以GPT-5.5为例，用不用DxO，急诊病例的得分都停留在85%左右，成本也大体相当。

也就是说，在病情复杂、跨越多学科的NEJM疑难病例测试中，“多智能体会诊”确实能帮大模型提升准确率或压低估算运行成本；但在急诊科常见就诊病例的模拟里，强基座模型独立给出的判断，已经和套上多智能体辩论系统的表现不相上下。

走出论文模拟，进医院实战还要跨过哪些门槛？

在电脑里跑完304道NEJM病例题还只是模拟测试。微软在早期报告中也承认，这套系统尚未准备好直接用于临床实战，仍需在更常见的症状场景中接受检验。

为了从模拟走向临床，微软宣布与波士顿的贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）合作，在真实医院环境中评估DxO的临床推理能力。微软AI健康副总裁多米尼克·金（Dominic King）表示，这项技术已准备好接受真实世界评估，并举例说，人们可以想象周五晚上的波士顿急诊室里涌现出的问题有多复杂和多样。关于具体运作方式，他解释称，患者将接受分诊、专科医生接诊、检查、治疗以及是否安全出院评估等标准流程的医疗服务；同一时间，签署知情同意书的患者也会与DxO互动，微软及合作方将在后台把它的建议与人类医生的真实决策做比对。

在临床验证进度上，微软正面临老对手的竞争。就在本月，Google联合贝斯以色列医院在医学期刊《柳叶刀》（The Lancet）上发表了一项临床研究，评估其对话式诊断AI系统AMIE在真实紧急护理（urgent care）门诊就诊中的表现，由人类医生实时监控AI与患者的交互过程。此前，Google DeepMind的AMIE研究项目相关成果也已发表于《自然》（Nature）杂志。

苏莱曼与金做医疗AI可以追溯到十年前。苏莱曼曾是DeepMind的联合创始人，该公司于2014年被Google收购；次年，Google DeepMind收购了金创立的临床任务管理应用Hark，两人随后共同组建了DeepMind Health。2024年苏莱曼加入微软执掌AI部门，几个月后金也跟着加入。如今，他们除了靠贝斯以色列医院的测试补齐临床证据，还透露正与梅奥诊所（Mayo Clinic）合作训练医疗健康基础模型，计划于明年发布。

苏莱曼给出了一个很激进的时间表：他预计医疗大模型的能力将在未来24到36个月内提升一个数量级，并相信到2027年，电子病历领域将迎来类似“AI编程”式的突破，系统能够实时流式输出患者病历走向的高精度预测。他此前接受英国媒体采访时还预测，这类系统在未来5到10年内将变得“几乎零差错”。按他的逻辑，一旦模型进入生产环境，就会像之前的聊天机器人和代码生成工具一样，通过真实世界的使用反馈找出漏洞、打补丁升级，形成高速迭代的“数据飞轮”。

游仕觀察

苏莱曼用软件工程里的“飞轮效应”和“编程式突破”来展望2027年的医疗AI，但医院诊室不是程序员的代码编辑器。

在日常软件开发中，绝大多数普通代码缺陷可以在测试环境中被拦截、调试或随时回滚重来；而在急诊室和重症病房里，病历的演进掺杂着患者模糊的主诉、不典型的生理反应以及家庭经济与伦理的权衡。微软在发表研究的同时也试图淡化“取代医生”的焦虑，强调临床医生的职责远不止于下一个诊断病名，还必须处理模棱两可的信息，并与患者及家属建立信任——按照微软自己的说法，当前的AI系统并非为承担这类职责而设计。

更值得医疗机构和监管者审视的，是此次研究反映出的技术底座现状：当GPT-5和GPT-5.5在急诊场景测试中不靠任何复杂编排就能跑出与DxO平齐的成绩时，医疗信息化市场真正稀缺的，或许并不是又一套架在大模型之上的“多智能体辩论外壳”，而是当那部分在基准测试里仍未答对的错误风险落到真实临床时，该如何界定背后的法律与伦理责任。

微软把“医疗超级智能”定义为在护理全流程的医学推理与协调上超越当代最强的人类医疗系统，并希望借此将现有的临床语音听写和放射科工具扩展为头部的临床决策支持产品。但目前它在模拟环境里展现的优势，还只是建立在规则明确、信息数字化的测试题上，接下来的真实临床检验才刚刚开始。

来源