这周，微软往《科学》杂志上交了一份"考卷"，把全网看热闹的都惊着了。微博
考题是304个来自《新英格兰医学杂志》的疑难病例。微软那套叫MAI-DxO的AI系统，诊断准确率83.2%；同场的全科医生，开卷考36.1%，闭卷只剩22.3%。差了一倍还多。知乎知乎
这个AI，不是一个脑子在看病
MAI-DxO最有意思的地方，是它不是一个模型，而是一个"会诊小组"。微博
小组里好几个智能体各司其职：有的负责提诊断假设，有的决定开哪项检查，有的专门挑毛病，还有个管预算的，盯着别乱开检查。外加一个"看门人"，你问到才给信息，防止考场漏题；一个"评审员"，按医生定的量表给最终诊断打分。知乎
这个小组的看病路数很老派：平均问25.5个问题，才开第一项检查；人类医生平均问5.6个就动手了。AI话密，但不偷懒。知乎
账也算得精。预算受限模式下，它单例成本约1303美元，比医生开卷问诊的4725美元便宜得多，准确率还保住了79.6%。知乎
第一盆冷水：这是模拟考，没有真病人
所有病例来自医学期刊，"患者"是论文里的文字，不是活人。真人会主诉混乱、会记错病史、会隐瞒病情，模拟考场测不出这些。微软自己也承认：离临床可用，还差真实的前瞻验证。东方财富微博
第二盆冷水：对手不是同一个量级
36分是全科医生的成绩。而考试用的NEJM疑难病例，现实中本来就轮不到全科医生单打独斗，是专科团队处理的活。“赢过全科"不等于"能替代你的主治大夫”。知乎
第三盆冷水：83分里，大头是底层模型的功劳
GPT-5自己裸考（不上会诊小组）就有78.9分，加上MAI-DxO编排，只多涨了4分出头。微软研究团队自己说得直白：增益大头来自更强的底层模型，编排是锦上添花，真正的价值是把准确率和成本一起按住。微博知乎
那这事为什么还值得高兴
因为这个"会诊小组"不挑模型。研究者把OpenAI、谷歌、Anthropic、xAI、DeepSeek、Meta各家的模型换上去试，增益都能复现。弱模型Gemini 2.5 Flash单跑只有46.4分，配上编排直接拉到接近69分。便宜的小模型也能被抬到能用，这对预算有限的基层诊所，比"AI神医"实在得多。知乎知乎
微软AI负责人苏莱曼把这一步叫作迈向"医学超级智能"。微软已经和梅奥诊所合作往下推进，研究团队下一步将联手波士顿的Beth Israel Deaconess医疗中心，测试AI给急诊候诊患者分诊的能力。谷歌和OpenAI都在喊类似的话，医疗AI这条赛道，是真的卷起来了。知乎东方财富微博
最后说个最让我感慨的细节：AI平均问满25.5个问题才开第一张检查单。下次你挂号只被问了三分钟，不妨想想，到底谁该跟谁学。
