83.2%对36.1%。

这不是某场棋类比赛的胜率，也不是某个消费级聊天机器人在标准化考试上的得分。这是微软AI诊断系统MAI-DxO在《The New England Journal of Medicine》(NEJM)发表的复杂病例上，与持有执照的全科医生及普通内科医生（primary care doctors and general internists）之间的诊断准确率对比——后者还被允许使用教科书和互联网作为参考资料。

2026年10月22日，这项研究以”Sequential diagnosis with language models”为题正式发表于Science。据Unite.AI报道，论文刊载于第394卷第6822期第423-428页，被收录在该期的”AI in Medicine”专题中；论文于2026年4月4日提交，8月10日被接受，审稿周期约4个月，在Science中属于较快水平（来源: Unite.AI, 2026-10-22）。微软官方公告亦确认该研究”is published today in Science”（来源: microsoft.ai, 2026-10-22）。

这篇论文的15位作者全部是Microsoft员工，名单中包括Microsoft AI首席执行官Mustafa Suleyman、Dominic King和Eric Horvitz（来源: Unite.AI, 2026-10-22）。同日，微软发布了题为”Building Medical Superintelligence”的愿景文章，并在BMJ Digital Health and AI上发表了配套论文（来源: microsoft.ai, 2026-10-22）。Mustafa Suleyman将自己和团队描述为这一方向的”true believers”（真正的信徒），并表示微软预计医疗模型将在未来24至36个月内实现”an order of magnitude better in capability”（能力上一个数量级的提升）（来源: Morning Overview, 2026-10-24）。

这是一个值得认真拆解的时刻。不是因为AI诊断超越人类医生是什么新鲜事——过去几年，从皮肤病变识别到视网膜病变筛查，AI在狭窄任务上超越专科医生的论文已经不胜枚举。真正值得关注的是：这一次，微软改变了考试本身的规则。

一句话概括这篇论文的核心突破：它不再考AI”答题”的能力，而是考AI”看病”的能力——从问诊、开检查到做判断的全过程。

第1章：Science时刻——AI诊断领域的范式转折点

要理解这篇论文为何重要，首先需要理解它打破了什么。

过去数年，AI在医学领域的评测几乎被一种模式垄断：把大语言模型放进医学执照考试（如United States Medical Licensing Exams, USMLEs），看它能答对多少道选择题。GPT-4在USMLE上的表现、Med-PaLM 2在MedQA上的得分，这些里程碑式的成果确实令人印象深刻，但它们共享一个根本性的局限——正如微软在论文中指出的：医学执照考试”are designed to assess physicians’ knowledge – not the realities of making a clinical diagnosis”（旨在评估医生的知识，而非做出临床诊断的现实过程）（来源: microsoft.ai, 2026-10-22）。

在USMLE式评测中，所有信息一次性呈现，系统只需从预设选项中选出一个答案。这更像是一场开卷考试，而非一次真实的临床遭遇。在真实的急诊室里，一位胸痛患者走进来，医生面对的不是一道排列好的多选题，而是一个信息极度不完整的开放性问题：该先问什么？该查什么？每一个新发现如何改变诊断方向？何时停止检查、做出判断？

这正是MAI-DxO和SDBench试图解决的核心问题。

MAI-DxO的全称是Microsoft AI Diagnostic Orchestrator。它不是一个单一的聊天机器人给出即时答案，而是一个编排系统（orchestrator），其运作方式被微软描述为”like a panel of virtual physicians”（像一个虚拟医生团队）：多个AI agent分别提出诊断假设、选择有价值的检查、质疑正在形成的共识，MAI-DxO在多轮辩论中协调这一过程，随着新证据到达不断更新评估，并权衡每项检查的预期价值与其成本（来源: microsoft.ai, 2026-10-22）。

SDBench（Sequential Diagnosis Benchmark，顺序诊断基准）则是为测试这种逐步推理能力而专门设计的评测框架。它包含两组病例：304个来自NEJM临床病理会议（clinicopathological conference）的复杂病例，以及325个来自MIMIC-IV-ED数据集的急诊科入院病例（来源: Unite.AI, 2026-10-22）。每个病例被转化为一个交互式的逐步诊断遭遇：诊断者（无论是AI还是人类医生）从一段简短的临床摘要开始，必须主动决定要询问哪些病史问题、要求哪些体格检查发现、下达哪些检验检查医嘱，最终在认为证据充分时提交最终诊断。

这个设计中有两个关键的技术机制值得深入理解。

第一个是Gatekeeper agent。它充当信息的守门人，根据底层病例记录来回应每一个信息请求。当被请求的某项发现在原始病例中不存在时，Gatekeeper会生成”diagnostically neutral synthetic results”（诊断中性的合成结果），确保数据缺失本身不会泄露答案（来源: Unite.AI, 2026-10-22）。这是一个精妙的设计——在真实临床中，”没有做某项检查”和”做了检查但结果正常”是两种完全不同的信息状态，Gatekeeper的存在防止了AI系统通过”哪些信息不可用”来反向推断诊断。不过，正如The Neuron指出的，Gatekeeper有时会在历史记录缺乏特定信息时生成”看似合理的回应”（plausible responses），这本身也引入了一种新的不确定性（来源: The Neuron, 2026-10-23）。

第二个是Judge agent。它使用一个5级的、由医生编写的评分标准来对提交的诊断进行评分，得分4或5（即诊断结果不会改变治疗管理方案的程度）被计为正确（来源: Unite.AI, 2026-10-22）。这意味着评分标准不是简单的”对/错”二分法，而是考虑了临床实际——如果AI给出的诊断虽然名称不完全一致，但不会导致治疗方案发生实质性改变，仍然被视为正确诊断。但论文作者也承认，Judge只评估疾病层面的诊断正确性（来源: Unite.AI, 2026-10-22），而非治疗方案的完整性或患者预后。

检查费用则使用基于CPT编码的定价进行估算，价格数据来源于Kaiser Permanente Washington Central Hospital的标准收费文件，病史采集和体格检查问题被折算为固定的医生就诊费用（来源: Unite.AI, 2026-10-22）。

微软同时宣布将开源SDBench的部分NEJM病例评测代码，包括基准测试、Gatekeeper、Judge和费用估算代码，以便研究者复现评测、测试其他模型、挑战或扩展研究发现（来源: microsoft.ai, 2026-10-22）。

第2章：数字背后的范式革新——从执照考试到顺序诊断

在深入拆解具体数字之前，有必要先理解为什么”顺序诊断”这个评测范式本身可能比任何单一数字都更重要。

传统的医学AI基准测试本质上是一种”快照式”评测：给定完整信息，输出一个答案。这种模式的问题不仅在于它不反映临床现实，更在于它无法衡量AI系统在诊断过程中的两个关键能力——信息获取策略和资源效率。

一个能答对USMLE题目的模型，可能在面对真实患者时会犯两种截然不同的错误：要么过度检查（shotgun approach，把所有能想到的检查都开一遍），要么检查不足（过早锁定诊断，遗漏关键信息）。传统基准无法区分这两种失败模式，因为它们从未要求模型做出”下一步查什么”的决策。

SDBench的设计直接回应了这一空白。它同时测量三个维度：诊断准确率、请求的证据量和估算的检查费用。据科技评论网站Morning Overview（2026-10-24）的解读：由于SDBench同时评估准确率与成本，一个把菜单上所有检查都开一遍的系统准确率可能很高、但费用评分会很差，这也是微软将两项指标一并报告的原因（注：此为该报道作者的概括表述，并非微软论文中的逐字原文）。这迫使AI系统在信息价值和获取成本之间进行权衡——这恰恰是临床决策的核心张力。

这里有一个被大多数报道忽略的细节：MAI-DxO在信息获取策略上与人类医生存在显著差异。根据论文数据，医生在下达第1项检查之前平均会先询问5.6个问题，而搭载GPT-5的MAI-DxO平均会先询问25.5个问题（来源: Unite.AI, 2026-10-22）。论文作者将这种策略描述为”extensive structured history-taking”（广泛的结构化病史采集）。

这个数字差异揭示了一个深层洞察：MAI-DxO的诊断优势可能不仅来自更强的”推理能力”，更来自一种与人类医生根本不同的信息获取范式。人类医生在时间压力下倾向于快速形成初始假设并尽早通过检查验证，而MAI-DxO则倾向于通过更充分的问诊来缩小鉴别诊断范围，从而减少对昂贵检查的依赖。

这在某种意义上是”用问题替代检查”——一种在理论上早已被提倡、但在实践中因时间约束而难以实现的诊断策略。AI没有时间压力，于是做到了人类医生一直想做但做不到的事。

换言之，MAI-DxO不仅在”答题”上更准，它在”提问”上也更有策略。这是传统基准永远无法捕捉到的维度。

第3章：硬数据拆解——1.7倍、2倍与成本优势

现在让我们逐层拆解核心数字。

NEJM复杂病例：83.2% vs. 36.1%

在304个NEJM临床病理会议病例上，搭载GPT-5的MAI-DxO在不设预算约束的配置下达到了83.2%的诊断准确率，平均每例费用为$5,431（来源: Unite.AI, 2026-10-22）。

作为对比，参与研究的全科医生及普通内科医生（primary care doctors and general internists）在有参考资料（教科书和互联网）的条件下，准确率为36.1%，平均每例费用为$4,725；在无参考资料的条件下，准确率仅为22.3%，平均每例费用为$3,049（来源: Unite.AI, 2026-10-22）。

按上述披露数据计算，MAI-DxO的准确率约为有参考资料医生的2.3倍，约为无参考资料医生的3.7倍（笔者按论文数字计算）。微软官方公告的表述与此一致：”about 3.7 and 2.3 times more accurate, respectively”（来源: microsoft.ai, 2026-10-22）。

在费用维度上，MAI-DxO在不设预算约束时的费用（$5,431）略高于有参考资料的医生（$4,725），但当启用费用约束配置时，MAI-DxO可以在$2,241的费用下达到80.9%的准确率，或在$1,303的费用下达到79.6%的准确率（来源: Unite.AI, 2026-10-22）。$1,303对比医生的$4,725，这就是微软所说的”half or even one third of the cost”（一半甚至1/3的成本）的来源（来源: microsoft.ai, 2026-10-22）。

值得注意的是，表现最好的单个医生达到了51.8%的准确率（来源: Unite.AI, 2026-10-22）。按上述数字计算，即使是最优秀的个体医生，其准确率也仅为MAI-DxO的约62%（笔者按论文数字计算）。

还有一个追求极致准确率的配置：以$8,945的平均费用达到了84.5%的准确率（来源: Unite.AI, 2026-10-22）。这个配置的存在说明MAI-DxO的准确率-费用曲线仍有上行空间，但边际收益递减明显——从80.9%到84.5%，准确率仅提升3.6个百分点，费用却增加了近$6,700（笔者按论文数字计算）。

MIMIC-IV-ED急诊病例：80.3% vs. 46.8%

在来自MIMIC-IV-ED数据集的325个急诊科入院病例上，MAI-DxO在不设预算约束时达到80.3%的准确率，平均费用$4,979；启用预算约束后为73.2%，费用$2,634（来源: Unite.AI, 2026-10-22）。全科医生及普通内科医生的平均准确率为46.8%，费用$3,400，最佳个体医生为62.5%（来源: Unite.AI, 2026-10-22）。

80.3%对46.8%，这就是微软所说的”1.7 times more accurate”（1.7倍准确率）的来源（来源: microsoft.ai, 2026-10-22）。需要再次强调：这里的”1.7倍”对应的是急诊科入院病例数据集上的表现，对照组是全科医生及普通内科医生，而非急诊专科医生。

这组数字在某种意义上比NEJM病例的结果更有临床参考价值，因为MIMIC-IV-ED代表的是更典型的急诊科病例——虽然仍是回顾性数据，但至少在病例分布上更接近真实世界。不过，据The Neuron报道，该数据集排除了良性和健康表现的病例，因此无法反映急诊科接诊的全部患者谱系（来源: The Neuron, 2026-10-23）。

编排系统的增量价值：比你想象的更微妙

这里是大多数报道没有充分挖掘的关键维度：MAI-DxO相对于底层大语言模型本身的增量贡献有多大？

据Morning Overview报道，GPT-5单独使用（不经过MAI-DxO编排）在复杂病例上的准确率约为78.9%，平均费用约$8,400；加入MAI-DxO编排后，费用降低了约$3,000，但准确率仅提升了约4个百分点（来源: Morning Overview, 2026-10-24）。

这个数字非常重要。它意味着MAI-DxO的83.2%准确率中，绝大部分来自GPT-5本身的能力，编排系统的贡献主要体现在费用优化而非准确率提升上。正如The Neuron在分析中指出的：”the AI hasn’t demonstrated that it can deliver better care to actual patients. And its advantage over the underlying AI model is considerably smaller than its advantage over the physicians in the study”（AI尚未证明它能为真实患者提供更好的护理。而且它相对于底层AI模型的优势，远小于它相对于研究中医生的优势）（来源: The Neuron, 2026-10-23）。

不过，在不同底层模型上，编排系统的增量贡献差异很大。据Morning Overview报道，使用GPT-5.5时，准确率从72%提升到接近87%；使用Gemini 2.5 Flash时，提升更为惊人，从46.4%到接近69%（来源: Morning Overview, 2026-10-24）。这表明MAI-DxO的编排框架对较弱模型的增益效果更为显著，而对已经很强的模型（如GPT-5），其主要价值在于费用控制而非准确率提升。

微软还报告了一个关键发现：当使用更新的模型（包括GPT-5.5）重复评测时，MAI-DxO的性能提升得以持续甚至改善，而无需改变编排方法（来源: microsoft.ai, 2026-10-22）。这暗示MAI-DxO的架构具有”model-agnostic”（模型无关）的特性——它是一种可以随底层模型升级而自动获益的元系统。

跨所有测试的模型和配置，微软声称”no other human or AI approach was both more accurate and less costly than MAI-DxO”（没有其他人类或AI方法同时比MAI-DxO更准确且更低成本）（来源: microsoft.ai, 2026-10-22）。据Unite.AI报道，在所有被测试的模型上，MAI-DxO编排平均将NEJM病例的诊断准确率提高了7.9个百分点，将急诊病例提高了4.4个百分点（来源: Unite.AI, 2026-10-22）。

第4章：基准≠临床——从实验室到病床的几道墙

数字令人印象深刻。但在将这些数字转化为”AI即将取代医生”的叙事之前，必须正视几道横亘在基准测试与临床部署之间的高墙。

在展开分析之前，有必要先指出：论文作者自己也明确承认了这些局限。据Unite.AI报道，作者在论文中声明，研究结果”do not show superiority over specialists, multidisciplinary teams, or real-world clinical practice”（不证明优于专科医生、多学科团队或真实临床实践），并表示他们预期”the performance gap to narrow against expert specialists or teams matched to each case”（与匹配到每个病例的专家或团队相比，性能差距会缩小）（来源: Unite.AI, 2026-10-22）。

第一道墙：回顾性数据 vs. 前瞻性试验

MAI-DxO在SDBench上的所有表现都基于回顾性病例数据。NEJM病例是已发表的临床病理会议记录，MIMIC-IV-ED是已归档的急诊科就诊数据。这些病例都有已知的”正确答案”。

正如The Neuron的分析所言：”the AI was solving cases that already had answers”（AI在解决已有答案的病例）（来源: The Neuron, 2026-10-23）。在真实临床中，许多病例在初次就诊时并没有明确的最终诊断，诊断是一个随时间推移、随新信息出现而不断修正的过程。SDBench的设计虽然比传统基准更接近这一过程，但它仍然假设每个病例都有一个可以被”判对判错”的参考诊断。

论文作者自己也承认，”measured advantages are amplified within a controlled simulation that sets aside uncertain patient histories, incomplete documentation, rapport, longitudinal follow-up, and multimodal data such as imaging and pathology slides”（在受控模拟中，测得的优势被放大了，因为模拟搁置了不确定的患者病史、不完整的文档、医患关系、纵向随访以及影像和病理切片等多模态数据）（来源: Unite.AI, 2026-10-22）。

更关键的是，截至本文发布时，MAI-DxO尚未经过任何前瞻性随机对照试验（RCT）的验证。不过，微软已宣布与波士顿Beth Israel Deaconess Medical Center合作开展前瞻性研究，将在急诊和紧急护理环境中将MAI-DxO的建议与人类医生的决策进行对比（来源: microsoft.ai, 2026-10-22; Morning Overview, 2026-10-24）。这一步骤的结果，将是检验基准测试成绩能否转化为真实临床价值的关键考验。

第二道墙：病例选择偏差

NEJM临床病理会议病例本身就存在显著的选择偏差。这些病例被选中发表，部分原因恰恰是它们的诊断难度和教学价值——它们往往涉及罕见病、非典型表现或多系统受累。正如Morning Overview报道指出的，”the cases are teaching exercises, not a random sample of patients walking into a clinic”（这些病例是教学练习，不是随机走进诊所的患者样本）（来源: Morning Overview, 2026-10-24）。论文作者也承认”the journal cases may overrepresent diagnostically challenging presentations”（NEJM病例可能过度代表了诊断困难的表现）（来源: Unite.AI, 2026-10-22）。

这意味着83.2%的准确率是在一个高度特定的病例分布上取得的，不能直接外推到一般临床场景。MIMIC-IV-ED的病例在这方面提供了一定的补充，因为它代表了更典型的急诊科病例谱——但如前所述，该数据集也排除了良性和健康表现的病例。

第三道墙：对照组的设计

这是最值得深入审视的一点，也是论文作者自己承认的局限之一。

参与研究的医生被描述为全科医生及普通内科医生（primary care doctors and general internists），他们以个人身份独立完成诊断（来源: Morning Overview, 2026-10-24）。但在真实临床环境中，面对NEJM级别的复杂病例，诊断过程通常涉及专科会诊、多学科团队讨论（MDT）和随访复查。正如Morning Overview报道所指出的：”Specialists and physician teams were not in the 36% group, and TechCrunch notes that cases this complex usually go to them”（专科医生和医生团队不在36%那个对照组中，而这种复杂度的病例通常会转给他们）（来源: Morning Overview, 2026-10-24）。论文作者也明确将”与单个医生而非多专科协作比较”列为研究局限（来源: Unite.AI, 2026-10-22）。

此外，在医生对照研究中，有一个重要的技术细节：据The Neuron报道，开卷组医生是在56个从工程开发中保留的NEJM测试病例上进行评估的，而AI的整体性能是在全部304个病例上报告的（来源: The Neuron, 2026-10-23）。这种评测范围的不对称性使得直接比较需要更加审慎。据Unite.AI报道，论文作者也在保留病例上单独评估了AI性能，作为对开发阶段可能导致结果膨胀的额外检验（来源: Unite.AI, 2026-10-22），但读者在解读标题数字时仍需注意两组实际作答的病例集并不完全相同。

从预印本到正式版的变化也值得关注。 据Morning Overview报道，2025年6月发布的预印本版本中，21位来自美国和英国的经验丰富的医生在无外部资源条件下的准确率为19.9%，对照的MAI-DxO（搭载OpenAI o3）准确率为79.9%（来源: Morning Overview, 2026-10-24）。而据Unite.AI报道，预印本中医生平均准确率为20%，MAI-DxO准确率为80%，最高配置达85.5%（来源: Unite.AI, 2026-10-22）。两家媒体的报道口径略有不同，但趋势一致。

从预印本到正式发表版，医生的开卷准确率从约20%提升到36.1%，MAI-DxO从约80%提升到83.2%。医生准确率几乎翻倍，这一变化幅度本身就值得关注。据Unite.AI报道，正式版相较预印本新增了急诊病例集，并改用GPT-5和GPT-5.5重新评测，但提示词和编排方法未改（来源: Unite.AI, 2026-10-22）。笔者判断，医生准确率的大幅提升可能反映了以下一种或多种因素：正式版中增加了开卷条件（允许使用教科书和互联网）、参与医生群体的变化、或评测方法的改进——但具体原因在已有参考资料中未被详细说明。

把AI系统（一个经过精心编排的多agent辩论系统）与独立工作的全科医生进行比较，在某种意义上是在比较两种完全不同的”工作方式”。正如Morning Overview的分析所言：”The software is built to ask for tests in sequence and to be argued with by its own agents. The doctors, in the benchmark, were asked to behave like solo clinicians, which is a narrower job than hospital medicine, where colleagues, consults and follow-up visits are routine”（软件被设计为按顺序请求检查并由其自身的agent进行辩论。而基准中的医生被要求像独立临床医生一样工作，这比医院医学中的实际工作范围更窄，后者的常规做法包括同事协作、会诊和随访）（来源: Morning Overview, 2026-10-24）。

这并不意味着比较没有价值——它确实揭示了AI在结构化诊断推理上的强大能力。但它确实意味着”83% vs. 36%”这个数字不应被简单解读为”AI比医生强2.3倍”。更准确的说法是：在特定的评测条件下，一个多agent AI编排系统在已有答案的历史病例上的诊断准确率，是独立工作的全科/普通内科医生的2.3倍。

第四道墙：真实临床中的”噪声”

SDBench的Gatekeeper机制虽然在技术上很精妙，但它创造了一个比真实临床”干净”得多的信息环境。论文作者自己也承认，受控模拟”sets aside uncertain patient histories, incomplete documentation, rapport, longitudinal follow-up, and multimodal data such as imaging and pathology slides”（搁置了不确定的患者病史、不完整的文档、医患关系、纵向随访以及影像和病理切片等多模态数据）（来源: Unite.AI, 2026-10-22）。

在真实急诊室中，患者可能无法准确描述症状，病史信息可能不完整或相互矛盾，体格检查的发现可能因检查者的技术水平而异，检验结果可能受到样本质量的影响。更重要的是，真实临床中存在大量SDBench无法模拟的因素：患者的情绪状态、家属的期望、医疗资源的可及性、保险覆盖范围、文化背景对症状表述的影响等等。

第五道墙：责任归属与监管框架

即使MAI-DxO在前瞻性试验中表现同样出色，一个根本性的问题仍然悬而未决：当AI辅助诊断出错时，谁承担责任？是开发AI系统的微软？是采用AI系统的医疗机构？还是最终签署诊断的医生？

截至本文发布时，全球主要司法管辖区尚未建立针对AI辅助诊断的明确责任归属框架。对于MAI-DxO这种涉及全流程诊断推理的系统，现有监管框架是否适用仍是一个开放问题。（笔者判断）

第5章：「医学超级智能」的路线图——从辅助工具到自主诊断的渐进路径

微软选择在Science论文发表的同一天推出”Building Medical Superintelligence”这一愿景叙事，绝非偶然。在微软的框架中，MAI-DxO不仅仅是一个诊断工具，而是通向”medical superintelligence”（医学超级智能）的路径上的一个里程碑——即”AI capable of performing clinical tasks beyond even the strongest human-led medical teams”（能够执行超越最强人类医疗团队的临床任务的AI）（来源: The Neuron, 2026-10-23）。

微软在其愿景文章中明确指出，诊断只是护理旅程的一部分。”Better care also requires keeping pace with medical knowledge, selecting the right treatment, understanding change over time, and supporting choices that reflect a person’s values and access to care”（更好的护理还需要跟上医学知识的步伐、选择正确的治疗方案、理解随时间的变化，以及支持反映个人价值观和医疗可及性的选择）（来源: microsoft.ai, 2026-10-22）。

这段话暗示了微软的更大野心：将MAI-DxO从一个诊断编排系统扩展为一个覆盖诊断-治疗-随访全流程的临床决策支持平台。Dominic King将当前医疗面临的核心挑战定义为”the growing mismatch between demand and supply of medical expertise”（医学专业知识的供需之间日益扩大的不匹配）（来源: Morning Overview, 2026-10-24）。

但让我们回到现实。在”医学超级智能”这个宏大愿景与当前的技术状态之间，存在一个清晰的渐进路径，每一步都有不同的技术难度、监管要求和商业可行性。

第一阶段：辅助分诊与二次意见（最近期可落地）

MAI-DxO最直接的应用场景不是取代医生，而是作为急诊分诊的辅助工具或复杂病例的”第二意见”系统。在资源匮乏的医疗环境中——无论是发展中国家的基层诊所还是发达国家的农村急诊室——全科医生面对超出其专业范围的复杂病例时，MAI-DxO可以提供一个结构化的鉴别诊断列表和建议的检查路径。

这一场景的监管门槛相对较低（作为临床决策支持工具而非独立诊断设备），技术要求也相对可控（可以在有医生监督的环境中运行），且能直接解决一个真实的临床痛点：全科医生在面对罕见或复杂疾病时的诊断困难。

第二阶段：嵌入式工作流集成（中期）

更深层次的集成意味着MAI-DxO不再是一个独立的”咨询系统”，而是嵌入到电子健康记录（EHR）工作流中，实时分析患者数据并在适当时机提供诊断建议。这需要解决数据互操作性、实时推理延迟、与现有临床信息系统的集成等技术挑战，以及更严格的监管审查。微软与Mayo Clinic的合作——据报道计划在2027年发布一个医疗基础模型（来源: Morning Overview, 2026-10-24）——可能是这一阶段的重要布局。

第三阶段：自主诊断（远期，高度不确定）

在没有人类医生直接监督的情况下由AI系统独立做出诊断决策，这是”医学超级智能”愿景的终极形态，也是目前距离最远、争议最大的阶段。它不仅需要技术上的突破（在各种真实世界条件下保持可靠性），更需要伦理、法律和社会层面的根本性变革。

第6章：大多数人没看到的——这篇论文真正改变了什么

在围绕”83% vs. 36%”的数字争论中，有几个更深层的洞察被大多数报道忽略了。

洞察一：评测范式的改变比任何单一结果都重要

SDBench的真正价值不在于MAI-DxO在上面取得了多高的分数，而在于它为整个AI医学诊断领域建立了一个新的评测标准。当微软开源SDBench的代码时，它实际上是在邀请（或挑战）整个研究社区在这个更严格的框架下评测自己的系统。如果SDBench被广泛采用，它将推动AI医学诊断研究从”答题竞赛”转向”过程评估”，这对整个领域的发展方向具有深远影响。

值得指出的是，由于评测范式的根本差异，目前公开资料中尚无其他AI诊断系统（如Google的AMIE或Med-PaLM系列）在SDBench上的可比数据。传统基准（如MedQA）与SDBench测量的是不同维度的能力，因此无法进行有意义的横向对比。这既是SDBench作为新范式的局限，也恰恰说明了它的必要性。（笔者判断）

洞察二：编排架构的可迁移性可能比底层模型更重要

MAI-DxO在不同底层模型上都能带来一致的性能提升（据Unite.AI报道，平均7.9个百分点在NEJM病例上，4.4个百分点在急诊病例上），且性能随模型升级而自动改善——这暗示了一种重要的架构范式：在快速迭代的大语言模型之上，构建领域特定的编排层，可以在不重新训练的情况下持续获益。这种”model-agnostic orchestration”（模型无关编排）的思路，可能比任何单一模型的能力提升都更具有长期价值。

据Morning Overview报道，MAI-DxO被测试时使用了来自OpenAI、Google、Anthropic、Meta和DeepSeek的多种模型（来源: Morning Overview, 2026-10-24）。这种跨模型的验证进一步支持了编排架构的通用性。

洞察三：费用优化可能是比准确率更大的商业杠杆

在医疗经济学中，过度检查（defensive medicine / shotgun approach）是一个巨大的成本黑洞。MAI-DxO在费用约束配置下以$1,303的成本达到79.6%的准确率，而医生在$4,725的成本下只达到36.1%。即使MAI-DxO的准确率优势在真实世界中大幅缩水，仅其在检查费用优化上的潜力——通过更有策略的信息获取路径减少不必要的检查——就可能产生巨大的经济价值。

一个能在保持诊断质量的同时将检查费用降低50-70%的系统，其商业价值可能远超一个仅提高诊断准确率的系统。 这也许是这篇论文中被低估的最大发现。

洞察四：15位作者全部来自Microsoft是一把双刃剑

论文的所有15位作者均为Microsoft员工，包括Microsoft AI的CEO Mustafa Suleyman（来源: Unite.AI, 2026-10-22）。这一事实需要从两个角度理解：一方面，这意味着微软在AI医学诊断领域投入了顶级的研究资源和领导层关注，这种级别的组织承诺在商业化推进中至关重要；另一方面，这也意味着基准的设计、系统的开发和评测的执行全部由同一个团队完成，独立验证的需求尤为迫切。

正如Morning Overview明确指出的：”the comparison is Microsoft’s own: its researchers designed the benchmark, ran the system and scored the physicians”（这个比较是微软自己的：其研究人员设计了基准、运行了系统并给医生评分）（来源: Morning Overview, 2026-10-24）。Science的同行评审提供了一定程度的外部验证，但独立研究团队使用开源的SDBench代码复现结果，将是建立更广泛信任的关键步骤。

洞察五：Suleyman的24-36个月时间线

Suleyman表示微软预计医疗模型将在未来24至36个月内实现能力上一个数量级的提升（来源: Morning Overview, 2026-10-24）。如果这一预测成立，结合MAI-DxO已经展示的编排架构的可迁移性，意味着到2028-2029年，类似系统在基准测试上的表现可能会进一步大幅提升。但”一个数量级”的表述本身就值得审视——当准确率已经达到83%时，”一个数量级的能力提升”意味着什么？是准确率从83%提升到99%+？是覆盖的病种范围扩大10倍？还是推理成本降低10倍？在不同的维度上，”一个数量级”的含义和可行性截然不同。（笔者判断）

第7章：竞争格局与战略意图

微软选择将MAI-DxO发表在Science上，而非仅作为技术报告或预印本发布，这本身就是一个战略信号。在AI医学诊断领域，多家科技巨头都在积极布局。Science发表赋予了MAI-DxO一种学术合法性，使其在与医疗机构、监管机构和保险公司的对话中占据更有利的位置。

如前所述，MAI-DxO被测试时使用了来自多家公司的模型。这种”模型无关”的定位使微软能够将MAI-DxO定位为一个平台层产品，而非依赖于任何单一模型提供商的垂直应用。这与微软在云计算领域的平台战略一脉相承——通过Azure提供编排层和基础设施，让客户选择最适合其需求的底层模型。

同时发布BMJ Digital Health and AI上的愿景文章，则是在向医学界发出信号：微软不仅在做技术研究，更在构建一个关于AI在医学中应扮演何种角色的叙事框架。”Medical Superintelligence”这个术语的选择——明确呼应AI安全领域的”superintelligence”概念——既是一种营销策略，也是一种框架设定：它将讨论从”AI能否辅助诊断”提升到”AI能否超越人类医疗团队”的层面。

但正如The Neuron的分析所提醒的，在这个宏大叙事与当前现实之间，存在一个根本性的鸿沟：研究展示的是”simulated diagnostic reasoning”（模拟诊断推理）的进步，而非真实临床价值的证明（来源: The Neuron, 2026-10-23）。从基准测试到真实世界部署，从模拟诊断到实际改善患者预后，每一步都需要独立的、严格的验证。

结语：Science论文是一个信号，不是终点

让我们回到开头的数字：83.2%对36.1%。

这个差距是真实的、经过同行评审的、在一个比以往任何医学AI基准都更严格的评测框架下取得的。MAI-DxO在顺序诊断任务上展示了令人印象深刻的能力——不仅在准确率上，更在信息获取策略和费用效率上。SDBench作为一种新的评测范式，有可能重新定义整个领域衡量AI诊断能力的方式。

但这个差距同时也是特定条件下的产物：回顾性病例、已知答案、全科/普通内科医生独立工作、精心设计的信息环境。论文作者自己也承认，这些结果不证明优于专科医生、多学科团队或真实临床实践。从这些条件到真实的急诊室——那个充满噪声、时间压力、不完整信息和人际互动的地方——还有一段漫长且充满不确定性的距离。

AI诊断正在从”能不能做到”的技术验证阶段，进入”该不该让它做”的社会决策阶段。前者的核心问题是准确率和成本，后者的核心问题是责任、信任、公平和监管。MAI-DxO在前者上迈出了重要一步，但后者的挑战才刚刚开始。

对于医疗行业的决策者而言，这篇Science论文传递的最重要信息不是”AI比医生强”，而是：AI诊断系统的评测方式正在从静态的知识测试转向动态的过程评估，这意味着AI在临床决策中的潜在角色正在从”答题机器”转向”诊断伙伴”。这个转变——如果最终被前瞻性试验所验证——将深刻改变医疗服务的组织方式、医生的培训模式和医疗资源的分配逻辑。

真正的考验不在基准分数上的那个百分比，而在病床旁的每一个真实决策中。在那里，没有Gatekeeper提供干净的信息，没有Judge给出标准化的评分，只有一个焦虑的患者、一位疲惫的医生，以及一个关于生命的判断。

「医学超级智能」距离那张病床，可能比83.2%这个数字所暗示的要远得多。但它也可能比大多数怀疑者所认为的要近得多。方向已经清晰，距离仍需丈量——而丈量的工具，不是基准测试，是前瞻性试验。

参考资料

  1. Building Medical Superintelligence — Microsoft AI, 2026-10-22
  2. Microsoft Diagnostic AI Outperforms Generalist Physicians in Science Study — Unite.AI, 2026-10-22
  3. Microsoft’s AI diagnosed 83% of hard medical cases correctly versus 36% for generalist doctors — Morning Overview, 2026-10-24
  4. Microsoft’s Medical Superintelligence: The Catch — The Neuron, 2026-10-23

主题分类：企业AI落地

  1. Microsoft’s Mustafa Suleyman says its AI outperforms doctors on hard cases — 2026-10-22
  2. Sequential Diagnosis with Language Models (Science, author-hosted) — 2026-10-22
  3. Sequential Diagnosis with Language Models (arXiv) — 2025-06-27
  4. AI system outperforms physicians on diagnostic accuracy in Microsoft study — 2026-10-22
  5. Diagnostic AI reached 1.7 times generalist physicians’ accuracy on emergency cases in a controlled benchmark · Digg — 2026-10-22
  6. Microsoft’s new AI has just out-diagnosed generalist doctors. Whose job is next? — 2026-10-22
  7. Microsoft AI diagnosed 83% of complex cases in simulation — 2026-10-22
  8. Microsoft’s MAI-DxO “2:1” Is a Benchmark on Past Cases — Not Proof the AI Beats Doctors — 2026-10-23
  9. Microsoft’s AI Diagnostic System Outperforms Generalist Doctors on Complex Cases, Science Study Finds — 2026-10-23
  10. [2506.22405] Sequential Diagnosis with Language Models — 2025-06-27
  11. Legal liability of physicians and new governance in the AI era — 2026-04-28
  12. Legal and ethical reflections on the use of artificial intelligence in the diagnosis and treatment of cancer: who assumes responsibility? — 2026-05-21
  13. Microsoft Says Its New AI Is More Than Twice as Good at Diagnosing Diseases as Doctors — 2026-10-22
  14. Microsoft MAI-DxO supera i medici generalisti nella diagnosi di casi clinici complessi — 2026-10-23
  15. AI diagnostic system outperforms physicians while cutting testing costs — 2026-10-25