微软医疗人工智能团队近日在《Science》正刊发表了一项诊断系统研究。由第一作者 Harsha Nori 牵头开发的序贯诊断编排系统 MAI-DxO，在《新英格兰医学杂志》（NEJM）临床病理讨论（CPC）的疑难病例测试中拿下了 83.2% 的准确率；相比之下，允许翻阅参考资料的基层全科与普通内科医生组仅有 36.1% 的准确率。微软 AI 首席执行官穆斯塔法·苏莱曼（Mustafa Suleyman）随即高调宣称，这标志着技术正大步迈向医疗超级智能。
但在惊艳的跑分背后，这篇研究既没有解决临床落地的关键信任，也未能在真实的医疗场景中证明其实用价值。这场胜利建立在多 Agent 协同体系对基层单兵医生的降维打击之上，连被外界普遍误读的成本削减数据，剥开表层后也并非大模型推理算力的降本奇迹。
被误读的三千美元与动态问诊
在这篇题为《Sequential Diagnosis with Language Models》的论文中，微软放弃了以往医学考试选择题（如 USMLE）的静态测试，改用名为 SDBench 的动态序贯诊断环境。MAI-DxO 内部部署了多个分别承担问诊、开立检查、综合辩论职责的 Agent 节点，模拟临床会诊流程。
商业报道中最具迷惑性的一项数据，是系统将每个病例的处理成本从 8,409 美元压缩至 5,430 美元。许多技术读者下意识将其理解为大模型调用 API 或云端算力的降价，但事实完全相反。这项成本指标来自美国公立医院的收费明细表（Chargemaster），衡量的是 AI 虚拟开立的化验、CT、核磁共振等检查项目的账单总额。
基础模型往往倾向于滥开高价检查以求保险，而 MAI-DxO 通过多 Agent 相互博弈，压减了约 35% 的非必要检查支出。它优化的是临床决策路径，而非数据中心服务器的运行成本。
- 提醒.论文削减的 3,000 美元是模拟医疗账单支出，而非算力推理开销，不能推导出 AI 诊疗运行成本大幅降低。
倾斜的天平与急诊室里的失效
83.2% 对 36.1% 的压倒性比分，建立在并不对等的竞技规则之上。
NEJM 选取的测试样本全部属于万里挑一的罕见疑难杂症。在真实的现代医疗体系中，这类病人绝不可能由单个家庭医生或普通内科医生独立闭门确诊，而是必须移交三级医院的多学科专家团队（MDT）联合会诊。微软用模拟多学科专家的 Agent 团队，去对比受限于知识盲区的单兵全科医生，在评测设计上本身就构成了降维打击。
一旦脱离罕见病温室，这套复杂的 Agent 编排机制便迅速显出疲态。在更贴近日常真实的 MIMIC-IV-ED 退役急诊数据集上，未经编排的单提示词 GPT-5 准确率已有 76.6%，接入 MAI-DxO 后仅微幅提升至 80.3%。在追求快速处置、分诊标准明确的急诊环境下，耗时耗算力的多 Agent 讨论没有带来预期的飞跃。
复杂的 Agent 流程编排更像一副辅助拐杖，底模能力越强，它带来的边际收益越薄。
这一现象在模型横向对比中尤为刺眼。对于推理能力偏弱的模型，编排系统作用显著，例如 Gemini 2.5 Flash 单打独斗时准确率仅有 46.4%，经 MAI-DxO 编排后跃升到了近 69%；但在 GPT-5 与更先进的 GPT-5.5 上，编排层带来的绝对精度提升只有区区 4 个百分点。
仿真世界的跑分与临床深水区
科技巨头在医疗 AI 赛道的明争暗斗正在加剧，但各家划定的跑道并不相同。
Google 刚在《The Lancet》发表了针对门诊对话系统 AMIE 的临床试验，测试其在波士顿贝斯以色列女修士医学中心（BIDMC）的 100 例非急诊真实表现。AMIE 拿下了 90% 的鉴别诊断清单覆盖率。商业宣传极易将这两个数字混为一谈，但 Google 测的是输出清单里是否包含病因，而微软挑战的是最终唯一定论。两者的统计口径与难度完全不在一个维度。
更根本的制约在于真实度。微软这篇论文里的序贯诊断，其检验结果是由内部门控 Agent 参照病历合成生成的模拟数据。测试样本全是由医疗学术机构清洗过的标准文本，没有任何日常诊疗中常见的模棱两可、主诉混乱或健康人群干扰项。麻省理工学院等机构的多位学者此前多次强调，在缺乏前瞻性随机临床试验的情况下，仿真推演的分数无法直接映射为病患生存率的改善。
苏莱曼试图把软件迭代的飞轮搬进医疗机构。微软目前正与梅奥诊所合作训练医疗专用的基座模型，并计划在 2027 年实现类似代码编写一样的病历实时预测。但代码写错可以回滚，医疗诊断的误判却关乎人命。
- 结论.MAI-DxO 验证了 Agent 编排在收敛化验检查路径上的工程价值，但在跨越监管审批与责任归属这两道红线前，任何关于医疗超级智能的断言都为时尚早。