AI前沿 | 2026年10月22日微软 MAI-DxO 会诊团 Science 论文 AI 诊断 83.2% 超越全科医生首屏导读 · 本教程配套付费专栏《大模型工程师修炼手记》19.9 元AI 编程 · Agent 实战 · 本文同主题系统课程· 《AI时代程序员的自我提升》49.9 元AI 时代成长方法论单篇不过瘾订阅解锁全量源码、实战与答疑文末附资料包领取方式 ↓导读2026年10月22日微软研究院的论文《Sequential diagnosis with language models》正式登上Science。论文里的主角不是某个更大的模型而是一套叫MAI-DxODiagnostic Orchestrator诊断编排器的系统它把大模型组织成一支虚拟医生会诊团按问诊 → 检查 → 修正假设的顺序逐步推进诊断。在 304 例NEJM新英格兰医学杂志复杂病例上它配合 GPT-5 达到83.2%的诊断准确率而全科医生开卷平均只有36.1%、闭卷22.3%在 325 例MIMIC-IV-ED急诊病例上它是80.3%医生是46.8%。微软 CEO Mustafa Suleyman 把这一步称为通往医疗超级智能的里程碑但他也承认它还需要临床验证。这篇文章不复述新闻稿而是把论文拆开看三件事它到底怎么工作、数字为什么能这么高、以及哪些结论现在还不能下。1. 它不是一个更强的模型而是一套会诊流程过去几年医疗 AI 的评测大多是静态题给模型一段完整的病例摘要让它选诊断或答选择题。这种方式有两个致命问题——病例信息被提前整理好了而且答对不等于会看病。真实临床是一个迭代过程先问病史再决定查什么拿到结果后修正鉴别诊断最后才下结论。微软这次的核心贡献是先把过程做成了基准1SDBench把病例改造成逐步问诊-304 例 NEJM-CPC 病例来自 NEJM 的临床病理讨论会CPC是医学界公认最难的诊断病例之一 -325 例 MIMIC-IV-ED 急诊入院病例来自真实电子病历更接近日常急诊的病例构成 - 每一例都从一段简短的临床表现开始医生或 AI 必须向一个守门人模型逐条提问只有明确问到信息才会被揭示 - 每一次检查都按医院收费主表的CPT 价格估算成本最终同时考核准确率与检查花费。2MAI-DxO把模型组织成会诊团它不依赖单个模型一次性给出答案而是模拟一组角色互补的医生有人负责提出候选诊断有人负责挑最有价值的问题或检查有人负责质疑当前的主流假设多轮辩论后系统随着新证据不断更新判断并在每一步权衡这项检查值不值这个钱。最后它还会把多次独立运行的结果聚合起来降低单次随机性。组成作用多角色虚拟医生提出、质疑、修正鉴别诊断成本感知的检查选择每一步比较信息增益 / 费用多轮辩论与证据更新新结果进来就重排假设多次运行聚合降低单次采样波动模型无关编排层可搭配不同厂商模型最关键的一点是模型无关model-agnostic。论文报告这套编排在OpenAI、Gemini、Claude、Grok、DeepSeek、Llama等多个模型家族上都能复现增益换到更新的GPT-5.5后效果还继续提升。这意味着它卖的不是某个模型的独家能力而是一套可迁移的诊断工作流。启示这项工作的真正新颖处不在模型更强而在把推理过程外置成可评估、可编排的流程。对做 Agent 的团队来说这比任何单点 benchmark 都更值得抄作业——复杂任务的上限往往由流程设计决定而不是由一次生成决定。来源Science 论文DOI: 10.1126/science.aeh7930、Microsoft AI 官方博客2026-10-222. 三个数字83.2%、80.3%、1.7~3.7 倍先看论文最硬的结果。主实验使用GPT-5驱动 MAI-DxO人类基线是招募来的在职全科、内科、急诊医生。数据集MAI-DxO全科医生倍数NEJM-CPC304 例复杂83.2%36.1%开卷/ 22.3%闭卷约 2.3× / 3.7×MIMIC-IV-ED325 例急诊80.3%46.8%约 1.7×几个容易被忽略的细节医生里最强的个体也被全面压过NEJM 病例上表现最好的医生准确率51.8%急诊病例上最好的是62.5%论文称其在准确率与成本两个维度上都不及 MAI-DxO。极致精度还能更高把配置调到最激进时NEJM 准确率可达84.5%但每例平均检查成本升到8945 美元。加预算约束后仍然能打NEJM 上80.9% 2241 美元/例、79.6% 1303 美元/例急诊上73.2% 2634 美元、69.5% 2037 美元。对比的是全科医生不是专科团队论文明确说明这些比较不构成对专科医生或多学科会诊的优越性证明。论文还报告了一个耐人寻味的差异AI 的错误通常落在相邻诊断、但细分层级不对而医生的错误往往离正确答案更远。这与模型知识面更广、但可能不够精确的直觉是一致的。启示读这类结果最重要的不是记住 83.2%而是记住它的对照条件——文本、全科医生、历史病例、受控基准。把基准上的优势直接等同于临床上的优势是医疗 AI 报道里最常见的偷换。3. 钱的问题无预算时更贵加预算后又准又省AI 更便宜是很多报道的标题但论文里的成本结果其实更微妙。不加预算约束时AI 反而更贵 - NEJMMAI-DxO5431 美元/例医生开卷4725 美元/例 - 急诊MAI-DxO4979 美元/例医生3400 美元/例。加上预算约束后才出现更准且更省 - NEJM80.9% 的配置只要2241 美元约为医生开卷成本的一半 - 更低一档79.6% 只要1303 美元约为医生成本的三分之一。论文的说法是在所有被评估的成本—准确率操作点上没有其他人类或 AI 方法能同时做到更准且更便宜。这句话是成立的但它的成立依赖一个前提——你允许系统按预算重新配置策略。如果放任它不计成本地追求准确它会把检查开得比医生还多。启示这是一个非常工程化的结论成本不是事后账单而应该是推理时的约束条件。把预算写进 Agent 的决策目标而不是等到最后再算钱才能真正得到高性价比的行为。这一点对任何做企业级 Agent 的团队都直接适用。4. 它为什么能赢25.5 个问题 vs 5.6 个问题论文里最能说明问题的一组对比不是准确率而是问诊策略。行为全科医生开卷MAI-DxO开第一项检查前平均提问数5.6 个25.5 个每例平均耗时18.1 分钟未按人类时钟计每例平均检查数12.1 项随预算配置变化每例平均检查成本4725 美元5431 美元无预算医生倾向于快速交叉提问、尽早开检查MAI-DxO 则先做大段结构化病史采集把鉴别诊断的范围收窄再决定查什么。论文认为这种先问清楚、再花钱的顺序是它在复杂病例上拉开差距的重要原因。再叠加三个因素 1.知识广度大模型读过海量医学文献与病例 2.稳定性不会疲劳、不受时间压力与认知偏差影响 3.会诊机制多角色互相质疑减少一条路走到黑。启示这组数字对 Agent 设计的启发非常直接——多问几句往往比多调几个工具更值钱。在信息采集阶段舍得多花 token能显著降低后续行动的盲目性。很多 Agent 失败不是模型不行而是在该问的时候急着做。5. 别急着欢呼六个必须看清的限制论文自己写得很清楚媒体标题却常常省略。以下六点决定了这项成果离临床还有多远。限制具体含义纯文本不含影像、波形、病理切片而这些恰恰是真实诊断的核心理想化信息由守门人模型提供信息没有病历缺项、患者遗忘、沟通歧义病例选择偏差CPC 病例偏难且全部有病理确诊排除了健康与良性病例对照非专科比的是全科医生面对匹配的专科团队差距预计会缩小只测诊断不评估治疗决策、患者安全与最终结局利益相关全部作者为微软员工并持有公司股权8 人为相关专利申请的发明人研究无外部资助此外还有两个现实问题 -成本口径按美国 CPT 收费表估算未计入侵入性、患者不适、等待时间等隐性代价 -没有产品微软尚未公布产品化、监管审批或发布时间表下一步是前瞻性临床研究——让患者直接参与而不是回看历史病例。Suleyman 的表态其实很克制它需要临床验证。这是一次跳跃但这是这段旅程上的一个重要里程碑。启示在医疗这种高 stakes 领域基准 SOTA与可临床部署之间隔着一整个验证体系。任何声称AI 超过医生的结论都应该先追问三件事对照是谁、数据是什么模态、测的是诊断还是结局。6. 行业含义医疗 AI 从答题进入流程把这篇论文放回 2026 年 10 月的时间线上它至少说明三件事。1评测范式在换代。静态病例问答正在让位于交互式、带成本的序贯评测。SDBench 的意义不只是一组分数而是提出了一个更接近真实工作流的考核框架你问了什么、查了什么、花了多少、什么时候停。2编排能力成为新的护城河。同一个编排层换模型还能涨点说明怎么组织模型正在和模型本身多强同等重要。这对自研 Agent 框架的团队是个积极信号不必等最强模型先把流程做对。3医疗大模型进入采购期。同一天国内智谱中标厦门市医疗大模型底座项目约1058 万元说明医疗大模型正从 Demo 走向真实采购。一边是前沿论文证明流程可行一边是产业侧开始买单——两条线正在汇合。信号对从业者的含义序贯诊断基准评测要考核过程与成本不只看答案模型无关编排工作流可跨模型复用降低锁定风险成本感知决策预算应写进 Agent 的目标函数多角色会诊用质疑机制对抗单路径自信仍需临床验证距离产品化还有前瞻性研究这一关启示MAI-DxO 最值得借鉴的不是AI 当医生而是它示范了一种高风险场景下的 Agent 设计范式多角色、可质疑、按成本决策、把过程做成可审计的轨迹。这套范式可以平移到法律、金融、运维、安全应急等任何错一步代价很高的领域。结语2026年10月22日微软用一篇 Science 论文把AI 诊断推进到了一个新阶段不是让模型替医生答题而是让模型学会像医生一样走流程。83.2% 对 36.1% 的差距足够震撼但论文自己划出的边界同样清楚——纯文本、历史病例、全科对照、只测诊断。它证明的是序贯编排这条路走得通而不是AI 已经可以替代医生。今日启示当一个系统在基准上大幅超越人类专家时最该学的往往不是它的分数而是它的过程设计——先问够、再动手把成本当约束让多个角色互相质疑把每一步留痕以便审计。这四句话既是 MAI-DxO 的方法论也是所有高风险 Agent 的通用底线。来源汇总Science 论文《Sequential diagnosis with language models》2026-10-22DOI: 10.1126/science.aeh7930、Microsoft AI 官方博客《Building Medical Superintelligence》2026-10-22、The Verge2026-10-22、TechCrunch2026-10-22、Medical Economics2026-10-22、Microsoft Research 预印本页面2025-07。 延伸阅读 · 我的付费专栏觉得这篇文章对你有帮助我把同类主题的系统化内容沉淀成了付费专栏欢迎订阅支持持续输出专栏定价内容大模型工程师修炼手记19.9 元AI 编程 / Agent 深度实战AI时代程序员的自我提升49.9 元AI 时代成长方法论觉得有用请一键三连点个收藏方便随时查转发给需要的同事朋友有问题评论区见—— 收藏的人越多越能帮到更多同路人你的每个赞都在为原创内容投票。本文配套代码 / 资料包欢迎在评论区留言「求代码」我会私信发送完整资源