微软「AI 医生」登上《科学》：多智能体会诊把准确率推到 83%，但别急着欢呼/SUENCA

一条刷屏的标题，和它背后被藏起来的对照

10 月 22 日，微软把一款 AI 诊断系统端上了《科学》（Science），标题随即在科技圈刷屏：「AI 医生准确率 83%，远超人类医生」。数字足够炸裂，但真想看懂这件事，得先把它拆开，尤其是那些标题党不太愿意展开的部分。

MAI-DxO 到底是什么

这套系统全名叫 Microsoft AI Diagnostic Orchestrator（简称 MAI-DxO）。它做的不是「输入症状、吐出一个答案」，而是模拟一个多学科会诊团队：多个 AI 智能体分别扮演不同角色——有的提出鉴别诊断、有的决定下一步该问什么、该开什么检查，还有的在「挑战」当前的主流判断。几个智能体来回质询、辩论几轮，随着新证据不断进来，动态修正评估，并权衡每一项检查的价值与成本。

换句话说，它复刻的是医生真实的诊断过程：不是看一眼给结论，而是一步步提问、开检查、再修正，直到收敛。

几个硬数字

微软为这套方法做了一个名为 SDBench 的基准，包含两类病例：

一类是《新英格兰医学杂志》（NEJM）里的 304 个疑难病例；
另一类是来自 MIMIC-IV-ED 急诊数据库的「更常见」的急诊表现。

在这个框架下，MAI-DxO 的成绩是：

NEJM 疑难病例上，准确率 83%；可查阅参考资料的普通全科医生约 36%，无法查资料的约 22%；
急诊病例上，准确率 80%，人类医生平均约 47%；
同时它在成本上更低——官方称花销只有医生的一半甚至三分之一，用更少的检查和操作拿到正确诊断。

最关键的一句「但是」

这里有个几乎所有标题都没写清楚、但必须说透的对照问题：被拿来和 MAI-DxO 比较的，是「普通全科医生」，而不是现实中真正处理这些 NEJM 疑难病例的专科专家或多学科团队。

那些 304 个 NEJM 病例，在真实临床里根本不会交给一个全科医生单打独斗，而是会由专科医生、影像、病理、多学科会诊团队来啃。IT 之家的报道里也专门点出了这一点。所以「AI 比医生强 2 到 4 倍」这种说法，严格说是把 AI 和「并非该场景真正对手」的对照组放在了一起——结论的方向可能没错，但倍率被显著放大了。

这不是要否定结果，恰恰相反：只有把对照组讲清楚，我们才知道这份成果的真实价值到底在哪。

撇开倍率，真正进步的东西有三样

如果把「83% vs 36%」的戏剧性放到一边，这份研究里有三个更硬的信号，值得被认真对待。

第一，方法不挑模型。MAI-DxO 是一套「编排策略」，而不是某个特定大模型的功劳。微软说这套编排架构最早是在 GPT-4.1 时代搭的，但换成 GPT-5、乃至换到 Gemini、Claude、Grok、DeepSeek、Llama 几家的模型上，增益都依然存在，而且随着底层模型变强（GPT-5.5 等），表现还在变好。这符合直觉——模型负责「聪明」，编排负责「把一群聪明人组织成会诊」，两者解耦。

第二，同时更准、也更省。医疗里「越准往往越贵」是常态，但 MAI-DxO 是「又准又省」：花更少的钱、开更少的检查，还更接近正确答案。这个组合在真实医疗里，几乎就是最想被实现的那件事。

第三，发生在严肃科学而不是刷分榜。过去医疗大模型的前进大多靠「考试分数」（比如 USMLE 医考），而 SDBench 测的是「逐步诊断的路径 + 成本」，更接近临床上真正的看病方式。多智能体协作，也第一次从「工程里的效率技巧」走进了一份顶刊的同行评议。