今天微博上有个挺让人后怕的故事。
江西一位大叔胸闷，两次上医院都被告知“正常”。绝望之下他打了个AI语音电话，对面一步步追问症状，反复催他回急诊。结果他刚坐下就休克了——造影发现血管已经堵了99%，一根支架把人从鬼门关拉了回来。微博
博主感叹：谁还在说AI看病是智商税？
底气来自微软10月下旬发在《科学》（Science）上的封面论文：304个疑难病例，AI诊断准确率83.2%，人类医生只有36.1%，差出2.3倍。数字是真的，但在喊“AI取代医生”之前，先把这份考卷拆开看看——门道比想象中多。知乎微博微博
一个模型演五个医生，还有个专门抬杠
这套系统叫MAI-DxO。说人话：让一个大模型（论文里用的是GPT-5）分饰五个“虚拟医生”，组成会诊小组。分工是这样的——知乎
一个维持三种候选诊断，随新线索实时改判；
一个专门挑检查，每轮最多三项，只选能区分诊断的；
最值钱的是“杠医生”，别人快下结论时专门泼冷水——“这个病解释得了牙龈出血吗？解释不了就接着查”；
还有一个盯账单，贵而无用的检查直接否决；最后一个在后台查推理有无矛盾。
论文里有个经典病例：患者反复跌倒、牙龈出血、牙齿脱落。普通GPT-5往神经方向查了一堆无果；DxO却抓住两个细节——做过胃旁路手术、平时不吃水果——怀疑坏血病，开了一项维生素C检测，一锤定音。知乎
这场考试不给病历，从一句“我肚子疼”开始
以前医疗AI考试大多开卷：完整病历喂给模型直接答题。微软这次设计的SDBench只给一句主诉，AI要自己追问、开检查、修正判断，全程模拟真实看病。结果很有意思：人类医生平均问5.6个问题就开检查单，DxO平均问满25.5个才动手——先把病史问透再开单。微博知乎
数字背后的三条小字
第一，考卷是“最难的题”。304个病例来自《新英格兰医学杂志》的临床病理讨论会栏目，全是罕见病、非典型表现，不是日常的感冒发烧。
第二，对手是单打独斗的全科医生，不是对口专科专家，更不是医院多学科团队。表现最好的个人也只有51.8%。微软的Eric Horvitz都承认：这种比较“并不能确立其优于专科医生、多学科团队或现实临床实践”。微博知乎
第三，裁判全是微软的人。论文15位作者都是持股的微软员工，好几位还是相关评测专利发明人。而且病例是纯文本（没有影像、没有触诊）、每例都有确诊疾病——只有病人没有健康人，治疗和安全性根本没测。知乎
顺带说，网上流传更广的“85.5%对20%、人类四倍”，是2025年年中博客版的旧数据：当时医生不许查资料，底座模型也不同。正式论文改成开卷、换了更难的考法，数字反而更实在了。知乎
更意外的是：AI考试居然更烧钱
不限预算时，DxO每例平均花5431美元，比医生组的4725美元还贵。但控制在2241美元内，准确率仍有80.9%，成本不到医生组一半。准确率和花费是一条可调的曲线，这是第一次被人算明白。知乎知乎
所以，现在能靠AI看病了吗？
还不能。微软自己说得很清楚：系统尚未投入临床，定位是医生助手。下一步是和波士顿贝斯以色列女执事医疗中心合作，让急诊真实患者直接和它对话，测试能不能帮分诊。热搜里救了江西大叔的AI，也不是微软这套。知乎知乎
但对普通人，实用价值已经来了：下次说不清病情，可以先让AI把你的症状、病史、用药整理成摘要，再拿给医生。微软AI健康副总裁的话特别实在——“从来没有哪个病人是带着一份写得漂漂亮亮的摘要来找我的”。这活儿，AI可以先替你干了。知乎
