最近有组数字在刷屏：微软的AI诊断准确率83.2%，医生只有36.1%。有人喊「AI医生正式吊打人类」，也有人说是标题党。知乎哔哩哔哩
10月22日，这项研究以论文形式登上了顶级期刊《Science》。把论文和多方编译读完，我的结论是：数字是真的，但「吊打医生」这句话，每一步都有前提。知乎知乎
这张考卷，出题人故意出难了
考的不是日常门诊，而是《新英格兰医学杂志》「临床病理讨论会」里的304个疑难病例——本来就是医学界拿来讨论罕见病、非典型表现的「最难的题」。知乎
更关键的是考法。以前的医疗AI评测爱走捷径：把整理好的完整病历一次性喂给模型，让它给答案。真实看病不是这样，患者进来只说一句「我肚子疼」，剩下的全靠医生一点点问出来。微软设计的SDBench序贯问诊基准就是这么考的：开局只给一小段病情简介，被测者得自己提问、自己开检查，才能拿到下一条信息。知乎
应考的AI叫MAI-DxO，本质是同一个大模型扮演的5位「虚拟医生」：一位提诊断假设，一位挑检查项目，一位专门唱反调挑漏洞，一位盯着成本否决昂贵但没用的检查，还有一位负责复核推理有没有前后矛盾。在一个患者反复跌倒、牙龈出血的病例里，普通GPT-5顺着神经病变一路查偏；MAI-DxO抓住了「做过胃旁路手术＋很少吃水果＋牙齿脱落」这组线索，锁定坏血病，一管维生素C检测确认。知乎
36.1%是怎么考出来的
对照组是允许查资料的基层全科和普通内科医生，单打独斗——不是对口的专科医生，更不是医院里的多学科会诊团队。论文里写得明白：表现最好的一位医生其实拿到了51.8%。论文作者、微软的Eric Horvitz也直说：这些比较「并不能确立其优于专科医生、多学科团队或现实临床实践」。知乎知乎
还有一组更少被转述的数字：在325份更贴近日常场景的急诊入院记录上，AI是80.3%，医生是46.8%——差距依然明显，但远没有「吊打」那么夸张。知乎知乎
成本这本账，AI也不是稳赢
不限预算时，MAI-DxO每例要花约5431美元，反而比医生组的4725美元贵——它平均要问25.5个问题才开第一张检查单（人类医生只问5.6个），信息收集得非常透。但准确率和花费是一条可以调的曲线：把预算压到2241美元，准确率还有80.9%，成本不到医生组的一半。知乎知乎
转发前，记住三个边界
第一，这场考试是纯文本的，没有影像、没有病理切片；第二，只测「诊断推理」，不测治疗决策，更不测患者结局；第三，论文15位作者全部是微软员工且持有公司股权，利益冲突就写在纸上。另外，网上流传的另一组更夸张的「85.5%对20%」，出自2025年6月的博客早期版本，当时医生连资料都不许查——两组数字混着用，是这轮传播里最大的坑。知乎
微软自己倒是拎得清：系统尚未投入临床，定位是辅助医生。下一步是跟波士顿贝斯以色列女执事医疗中心合作，让真实的急诊患者直接跟它对话，测它能不能在候诊区判断谁该优先；评测代码也已按MIT协议开源，欢迎别人复现挑错。知乎知乎
所以，更准确的读法不是「AI要抢听诊器」，而是：终于有人用接近真实看病的方式考了AI一次，还把准确率和成本一起摆上了台面。它到底有多大用，得等真实病房给出答案。
