微软 MAI-DxO 论文登上《Science》:复杂病例诊断 83% vs 全科医生 36%。当"AI 超越医生"成为通用叙事货币,我们该追问它到底打败了谁
来源:TechCrunch(Rebecca Bellan,2026年10月22日);《Science》论文(Microsoft AI / MAI-DxO,2026年10月22日);NPR(2026年4月30日,OpenAI 推理模型诊断研究,哈佛医学院 / BIDMC);微软 AI 官方博客《Building medical superintelligence》;Google 官方博客(AMIE 临床研究,与《Lancet》同步)
日期:2026年10月23日
2026年10月22日,微软 AI 的一篇论文登上《Science》。
主角是一个叫 MAI-DxO 的系统。"DxO"是 "Diagnostic Orchestration" 的缩写——诊断编排。它的形态很直观:<strong>一组扮演医生小组的 AI 智能体</strong>,它们向患者问诊、发起检查、互相辩论诊断结论。
测试场景是《新英格兰医学杂志》(NEJM)上的复杂病例模拟。论文报告的结果是:
| 参与者 | 复杂病例诊断正确率 |
|---|---|
| MAI-DxO(多智能体编排) | 83% |
| 全科医生 / 普通内科医生(个人作业 + 参考资料) | 36% |
| 专科医生 / 多学科团队 | 未纳入对比 |
83% 对 36%。将近 2.3 倍的差距。
微软 AI CEO Mustafa Suleyman 把它称为通往 "医疗超级智能(medical superintelligence)" 的一步,并且给出了这个词的定义:
"超越当今最强的人类主导医疗体系,在整个照护弧线上的医学推理与协调能力。"
同一天,微软还宣布与 Mayo Clinic 合作训练医疗基础模型,计划明年发布;同时宣布与波士顿的 Beth Israel Deaconess Medical Center(BIDMC)合作,在真实医院环境里评估 DxO 的临床推理能力。
听起来像一场胜利。
但如果你把论文和报道里的数字一个一个拆开,你会发现一件更值得写的事:这篇论文最有价值的信息,恰恰不在 83% 这个数字里,而在微软自己反复强调的"但是"里。
先看那个最容易被跳过的细节。
报道里写得很清楚:
"One note: Cases this complex are usually handled by specialists or physician teams, who weren't part of the comparison."
(一个说明:如此复杂的病例通常由专科医生或医疗团队处理,他们不在对比范围内。)
这是整个叙事的关键裂缝。
在现实医疗体系里,一个"复杂病例"的默认处理者不是"一个人在诊室里独自看资料",而是:影像科会看片、检验科会出报告、心内科会做心电图判读、科室之间会讨论、必要时上多学科会诊(MDT)。
而论文的对照组是:一位全科医生或普通内科医生,独自工作,可以使用参考资料,但面对的是被拆解成文本的病历。
于是"AI 打败医生"这个句子被压缩掉了三件事:
第一,被打败的不是一个真实岗位,而是一个被刻意简化的对手。 把"单个全科医生"从协作体系中单独拎出来放进模拟考场,然后宣布 AI 赢了它——这个实验测的是"AI vs 单兵",不是"AI vs 医疗系统"。而市场传播时,标题会自动补全成"AI 打败医生"。
第二,AI 那一侧并不是单兵。 DxO 是一组会讨论、会辩论、会开检查单的智能体。它在结构上更接近"一个团队",却在打分时被记作了"一个系统"。这意味着这场对比在编排维度上是不对等的:AI 拿的是团队配置,对手拿的是单人配置。
第三,被移除的恰恰是最难的部分。 这正是 OpenAI 那篇论文(2026年4月,哈佛医学院与 BIDMC,作者包括 Adam Rodman、Raj Manrai)诚实标注出来的边界:
作者强调,AI 只依赖文本。而现实中的临床医生,需要综合影像、声音、心电波形、体格检查结果以及各种非语言线索。
这句话值得被反复读。论文在做的是一个把影像、声音、查体结果全部剥离之后的"文本版医疗"。而现实里医生相对于文本最难被替代的那部分能力——"看片子"、"听心音"、"看患者脸色不对"——恰恰是<strong>在任务设定阶段就被删掉了的</strong>。
于是这里出现了一个几乎完美的逻辑闭环式的自我实现:
基准测试把医疗中最难的部分定义成了"可以排除的部分",然后宣布 AI 在剩下的部分上赢了。
这不是说研究是假的。研究是真的,数字也是真的。问题是这个数字回答的问题,和它被包装成回答的问题,不是同一个。
第二个"但是"更硬,也更不利于叙事。
TechCrunch 的标题其实写得比正文更诚实:
"But most of the improvement seems to come from the AI models underneath, not from Microsoft's system itself."
(但大部分提升似乎来自底层的 AI 模型,而不是微软自己的系统。)
我们把数据摊开看:
这里有两条线索,值得分开看:
Gemini 2.5 Flash 单独跑是 46.4%,加上 DxO 后接近 69%——提升了 23 个百分点,几乎翻倍。
微软自己的研究人员在文中解释:随着模型逼近理论上限,准确率增益自然会收缩。
把这两件事放在一起,得到的结论有点反直觉:多智能体编排更像一个"拉平器",它把弱模型往上拽的能力,远超它把强模型往上推的能力。 最强结果来自 OpenAI 的 GPT-5 与 GPT-5.5——也就是说,这套被称为"微软的医疗超级智能"的系统,其最好成绩的底座来自竞争对手的模型。
在急诊病例(ED cases)上,GPT-5 单独与 GPT-5 + DxO 的准确率都约 85%,成本几乎一样,没有任何可测的提升。
急诊恰恰是真实世界最接近的场景:噪声更大、时间压力更强、信息更不完整。复杂病例模拟(NEJM 病例)则相反——它是一个已经被精心清洗、去掉干扰、只留下典型征象的考试环境。
这也是这篇论文里最诚实、也最少被引用的一句话。微软发言人的原话是:模型的改进主要来自更强大的底层模型,DxO 编排带来的增益,是"在准确率和成本之间做优化的更广泛挑战"的一部分。
换句话说:83% 这个数字里的大部分,不属于微软,而属于它买来的算力。
还有一个数字,比 83% 更能说明问题。
对照一下现实:一次美国急诊就诊的账单,常见区间是几百到两三千美元;一次高难度专科门诊会诊也不过这个量级。也就是说,在模拟场景里,为了得到一个诊断结论,AI 花掉的钱可能超过这次诊疗本身的成本。
而这还只是推理成本。真实部署还额外包括:
在这个行业里,成本不是"贵一点"的问题,而是"能不能算得过账"的问题。医疗是一个容错率极低、而单次决策价值极高的行业,因此它的 AI 落地路径天然与写作、编程、客服不同:
这也解释了为什么微软在宣布 83% 的同时,说的不是"我们已经解决了诊断",而是"我们已经准备好接受真实世界的评估了"——与 BIDMC 的合作将让 DxO 在真实急诊、真实急症、真实出院决策的流程里,与人类医生的建议做并行比对。
这是正确的一步。但它同时说明,83% 到"能上临床"之间,隔着的不是算力,是随机对照试验、时间、和责任法。
值得注意的是,这已经不是第一次了。
| 实验室 | 系统 | 场景 | 论文/发表 | 时间 |
|---|---|---|---|---|
| AMIE 对话式诊断 AI | 与 BIDMC 合作的真实急诊/紧急护理就诊,人类医生实时监看 | 《Lancet》 | 2026年10月 | |
| OpenAI | 推理模型 | 真实急诊病例病历 + NEJM 病例报告 | 《Science》 | 2026年4月 |
| 微软 | MAI-DxO 智能体编排 | NEJM 复杂病例模拟 | 《Science》 | 2026年10月 |
三家、三个顶级期刊、半年之内,三次"AI 诊断能力达到或超过人类医生"的结果。
而 OpenAI 那篇论文的作者,反倒是最清醒的一批。Raj Manrai 在被 NPR 采访时的表述,几乎可以直接当作对整个赛道的提醒:
"尽管有些公司可能会这么说、会这么用这些结果,但这些发现并不支持用 AI 取代医生。"
同一位研究者补充道,他相信这项技术会重塑医学,但认为需要严格的前瞻性试验才能给出确定性。
Mount Sinai 首席临床官 David Reich 的说法则更具体:
"真正的开放问题是,怎么把这东西塞进临床工作流,真正改善医疗结果。"
以及一个诚实得近乎残酷的技术边界承认。Rodman 承认:如果把一个患者住院整整一个月的完整病历都喂给 AI,AI 恐怕不会表现得那么"惊艳"。原因很简单——现实医疗的价值不在于"信息少但文本整齐",而在于在海量、不完整、互相矛盾的证据里持续做判断,并且承担后果。
把这些放在一起,会发现一个行业性的模式:
三家实验室都发现了同一个"叙事红利":在"AI 诊断准确率"这个维度上,AI 已经越过了医生。而这个维度恰好是营销最容易引用、法律最容易引用、而真实临床价值最难兑现的维度。
"医疗超级智能"这个词,本身就是一次翻译:把一个 benchmark 上的分数,翻译成一个关于整个医疗系统未来的断言。而微软自己在《Building medical superintelligence》里的定义——"在照护全弧线上的推理与协调能力"——比 83% 这个数字宏大得多。83% 证明的是"在 NEJM 复杂病例的诊断正确率上,多智能体系统显著优于单兵全科医生";而 "医疗超级智能" 讲的是"在整条照护链路上,AI 系统强于人类主导的医疗体系"。
这两个命题之间,隔着前瞻性试验、责任分配、工作流改造、医院采购周期,以及整个医疗产业的利益结构。
我并不认为这些研究没有意义。相反,2026年4月 OpenAI 那篇论文的分量被普遍低估了:它用的是真实世界的急诊数据——"它能用急诊科那些混乱的真实数据工作"(Rodman 原话)——而不是 NEJM 的干净题面。那才是真正困难的任务。
同样,微软这次的对照设计(把模型能力与编排能力分开测、同时报成本、明确在急诊场景下增益消失)是研究诚实度的提升,值得肯定。Suleyman 提到的那句"我们正和 Mayo Clinic 一起训练医疗基础模型,明年发布",以及"2027 年我们会在医疗记录的编码方式上迎来突破——能够流式预测一份病历将如何发展,对临床医生来说是黄金",如果兑现,那是比 83% 重要得多的东西。
让我们把"医疗超级智能"这个叙事的四个陷阱列出来:
陷阱一:对照组的选取。 分母是"单人独自作业",分母之外是"专科医生与多学科团队"。传播时省略的正是这一句。
陷阱二:模态的删减。 任务设定阶段移除了影像、声音、查体,然后宣布在这个任务上获胜。
陷阱三:贡献的归属。 最好成绩来自竞争对手的模型;编排层对强模型只值 4 个百分点,对弱模型才是救命稻草。
陷阱四:场景的选择。 增益在"考试型"复杂病例上存在,在"医院型"急诊场景上归零。
这四个陷阱有一个共同的结构:它们都发生在"从实验室到临床"的翻译过程中,而不是在实验室内部。 实验室的数据是真的,结论也是真的;失真发生在结论被搬运到标题的路上。
而这,恰恰是当下 AI 时代最普遍的一种失真方式:当一个技术指标足以支撑一个巨大的商业叙事时,指标本身就会被重新设计成最有叙事力的那个样子。
把话收回来,这件事真正值得关注的部分,其实比 83% 更慢、更不性感:
第一,前瞻性随机对照试验。 不是模拟题,不是回顾性病历,而是把 AI 放进真实医院流程,与人类医生并行推荐,然后在 6 个月、12 个月后看患者结局指标:住院时长、再入院率、抗菌药物使用、并发症率、死亡率。Reich 把这称为"一次完美的行动号召"。这类研究贵、慢、结果不确定——但它才是唯一能回答"医疗超级智能是否存在"的证据类型。
第三,工作流与分配。 如果 DxO 真的在复杂病例上超过全科医生,那它省下来的不是"医生的工作",而是"全科医生被迫独自扛下复杂病例"这件事。这在多数医疗系统里本来就是一个被诟病的结构问题——初级医生接了超出自己能力的病人。AI 的第一波真实价值,可能不是"替代医生",而是让分诊回归它应有的样子:让复杂病例在第一时间就进入多学科会诊,而不是被一个全科医生在诊室里独自猜。
Suleyman 自己给出的理由,其实是这个行业最真实的痛点:
"当下医疗交付中最大的挑战,是医疗专业知识的<strong>供需失衡</strong>。"
如果 AI 的作用是让医疗知识的供给曲线变平,那它的价值不需要靠"打败医生"来证明。
回到那个 83%。
它是真的。它值得写进《Science》。它也确实代表了一次技术跃迁。
但它证明的是一件比标题窄得多的事情:在把医疗压缩成文本题目的考试里,一组协作的 AI 智能体,做得比一个独自看病的全科医生好。
这句话既不廉价,也不悲观。
真正的新闻不是"AI 打败了医生",而是:AI 第一次有能力去接住医生接不住的那部分工作,而整个行业还没有准备好怎么为它定价、怎么监管它、以及在它出错时谁来负责。
三个实验室在半年内把同一个数字打印了三遍。数字会继续变大——Suleyman 预测医疗模型将在 24 到 36 个月内"能力提升一个数量级",Microsoft 也在用 Mayo Clinic 的数据训练自己的医疗基础模型。
但下一次当我们看到"AI 打败医生"这行字时,值得多问一句:
它打败的是谁?用什么打的?赢在哪一段?剩下的那一段,谁来负责?