83%对36%。

这组数字一出来，医疗AI圈很难不炸。一项发表在 Science 上的研究显示，微软的AI诊断系统在复杂病例模拟里，正确率超过全科医生两倍多。微软AI CEO Mustafa Suleyman 直接把话说到 医疗超级智能。

但先别急着欢呼。这里比的是复杂病例模拟，不是周五晚上人满为患的急诊室。

微软把AI做成了一个“会诊室”

这次主角叫 MAI-DxO，简称 DxO。

它并非一个模型单独答题。它协调多个AI智能体，像一组医生会诊：问病史、开检查、互相争论，最后给出诊断。

测试案例来自《新英格兰医学杂志》的复杂病例。结果：DxO正确率83%。

另一边，初级护理医生和普通内科医生单独查阅资料，正确率只有 36%。

“There is something very substantial and exciting here.”

微软AI健康副总裁 Dominic King 的说法很直接，医疗最大的难题，是需求和专家供给越来越不匹配。

说实话，这个切入点很现实。医生不够，病人太多，复杂病例又最耗时间。AI如果能先帮忙梳理线索，价值就出来了。

真正撑起成绩的，可能不只是“多智能体”

有意思的是，论文自己给出的线索，没那么简单。

微软测试了OpenAI、Google、Anthropic、Meta、DeepSeek等多家的模型。最佳成绩来自OpenAI的 GPT-5 和 GPT-5.5。

也就是说，DxO很强，但底层模型更强。

GPT-5单独处理复杂病例，正确率已经 78.9%，每例成本约 8400美元。DxO介入后，成本能省下约 3000美元，准确率只多约 4个点。

这笔账就很微妙。

到了GPT-5.5，复杂病例提升更明显：从 72% 拉到接近 87%，成本还略低。

但急诊病例没有类似惊喜。有无DxO，成绩都在 85% 左右，成本也差不多。

个人觉得，这组数据把真相说得很明白：强模型是地基，编排系统是装修。装修能加分，但地基决定上限。

弱模型的逆袭更明显，强模型的天花板也更清楚

DxO对弱模型确实友好。

比如 Gemini 2.5 Flash，单独做复杂病例只有 46.4%。加上DxO，接近 69%。

这提升不小。

但问题也在这里。弱模型和强模型之间的差距，仍然大于DxO带来的增益。

微软研究员也承认，模型越接近理论上限，准确率提升越会自然缩小。

所以，DxO更像一种工程优化。它帮系统同时看准确率和成本，也帮复杂诊断流程变得更像协作。

但它并非魔法。

83%很亮眼，可真正难的是离开题库

这里必须补一句：这个83%，并没有把所有医生放在同一张桌子上比较。

素材里有个关键限制：这类复杂病例，现实里通常由专科医生或医生团队处理。研究并没有把这些人拉进来对比。

换句话说，微软赢的是一场高难度模拟赛。还没覆盖完整真实临床。

King也承认，下一步要去真实医院环境测试。微软正在和波士顿的 Beth Israel Deaconess Medical Center 合作。

研究方式并不激进：患者接受标准治疗，同意的人同时让DxO参与，最后比较AI建议和人类医生判断。

他还提了一句很有画面的话：你可以想象波士顿急诊室周五晚上会有多复杂。

这句话其实很关键。真实医疗的难点，不只是答案对不对，还有时间压力、信息缺失、患者表达不清、资源限制，以及医生必须当场做决定。

谷歌也上桌了，医疗AI进入抢临床入口阶段

微软并非唯一喊出AI能看病的公司。

素材提到，Google和OpenAI也在声称自家AI可以匹敌或超过医生。Google这个月还和Beth Israel在《柳叶刀》发表临床研究，评估 AMIE 在真实紧急诊疗场景中的表现，人类医生实时监控。

King说，微软这项研究会成为同类中最大规模，覆盖急诊和紧急护理场景。

老实讲，这类竞赛的重点已经越过跑分。

谁能进入医院，谁能接触真实病历，谁能拿到医生反馈，谁就能把模型迭代得更快。

这就是Suleyman反复提到的 飞轮。

他说，过去几年，聊天和编程都经历过类似过程：模型上线，真实使用，发现缺口，修补，再上线。医疗记录和临床决策支持，明年可能也会开始这个循环。

他还预计，医疗模型能力会在 24到36个月 内提升一个数量级。

微软真正想要的，是医疗超级智能的入口

Suleyman的野心不止于一次诊断测试。

他从DeepMind时期就押注AI医疗，后来加入微软，如今继续把这件事往深处推。

他说自己和团队是真正的信徒。

“We’re just true believers.”

他说微软正和 Mayo Clinic 训练一个医疗基础模型，计划明年发布。他还判断，2027年前后，医疗记录可能迎来类似编程领域的突破：系统可以连续预测一份病历接下来会怎么发展。

“I really believe that in 2027, we will be on the verge of a coding style breakthrough for medical records.”

这话听起来很猛。

如果真能做到，医生拿到的将不止一条诊断建议，还会有一条会往前推演的临床路径。

微软还抛出了 医疗超级智能 的定义：在医疗推理和全流程护理协调上，超越最强的人类医疗系统。

关键词已经越过单点诊断，指向全流程协调。

这和微软现有业务也能接上。它已经在卖医生听写和放射学工具，DxO则是向临床决策支持扩张。

Suleyman说，微软必须在未来几年拥有最先进的医疗临床决策支持产品。

这句话很商业，也很诚实。

AI先抢的，可能是判断前的脏活累活

如果只看标题，83%对36% 足够刺激。

但把素材拆开看，故事更复杂。

AI在复杂病例模拟里表现突出，底层模型能力是关键，DxO的多智能体协调有加成，急诊场景暂未体现优势，真实世界验证才刚开始。

它真正可能先改变的，是医生每天那些重复、琐碎、容易漏掉的判断前工作。

问病史、整理线索、提醒检查、给出备选诊断、控制成本。

这些事不性感，但最消耗医疗系统。

当AI开始像实习生一样提问、查资料、争论、写建议，医生的角色会被重新划分吗？

83%值得兴奋。可真正决定命运的，可能还是那个没有标准答案的周五晚上急诊室。

【锐评】：微软这波把AI从答题机器推向会诊现场，但模拟高分离临床信任，还差真实病历的泥地战。

参考链接：
https://techcrunch.com/2026/10/22/microsofts-mustafa-suleyman-says-its-ai-outperforms-doctors-on-hard-cases-as-he-chases-medical-superintelligence/