微软在Science上发表的一项研究，介绍其诊断系统MAI-DxO（简称DxO）。在基于《新英格兰医学杂志》复杂病例的模拟中，DxO的正确率为83%，而初级保健医生和普通内科医生在参考资料辅助下独立作答，正确率只有36%。DxO不是单一模型，它通过编排多个AI代理，模拟医生小组协作：向病人提问、要求检查、相互辩论后给出诊断。需要说明的是，这类复杂病例日常通常由专科医生或医生团队处理，而这些人并未参与对照。

DxO的增益随模型和场景波动。微软用OpenAI、Google、Anthropic、Meta、DeepSeek等多个公司的大模型测试了DxO，效果最好的是OpenAI的GPT-5和GPT-5.5。单独使用GPT-5，在复杂病例上准确率78.9%，每例估算成本约8400美元；加入DxO后，成本下降约3000美元，准确率仅提升约4个百分点。换成更新、2026年4月发布的GPT-5.5，DxO把准确率从72%提高到接近87%，成本还略降。但在急诊科病例上，DxO无论对准确率还是成本都几乎没有改善，有和没有DxO都在约85%的水平。对更弱的模型，DxO帮助更明显：Gemini 2.5 Flash单独得46.4%，配合DxO后接近69%。不过弱模型与强模型之间的差距，仍大于DxO带来的提升。微软研究人员认为，模型越接近理论准确率上限，编排带来的增益越小。

微软AI首席执行官Mustafa Suleyman称这种结果指向“医疗超级智能”，即“在完整医疗过程的推理和协调方面超越当前最强人类主导医疗体系的能力”。苏莱曼是DeepMind联合创始人，曾与Dominic King共同创立DeepMind Health，2024年加入微软领导AI部门。微软正与Mayo Clinic合作训练面向医疗的基础模型，计划明年发布。Suleyman预计，2027年医疗记录将迎来“编码风格”突破，系统可以流式输出对医疗记录演变的准确预测，这种预见性对临床医生是“金粉”。他还预计医疗模型的能力将在未来24到36个月内“提升一个数量级”。

为了把模拟结果推进到真实世界，微软与波士顿Beth Israel Deaconess医疗中心合作，评估DxO在不同医院环境中的临床推理能力。研究设计是：患者照常接受标准诊疗（分诊、专科会诊、检查、治疗、出院决策），同意者额外与DxO交互，最后把DxO的建议与医生进行对比。微软健康业务副总裁Dominic King称这将是同类中规模最大的研究，覆盖急诊和紧急护理场景。与此同时，Google本月在The Lancet上发表了与Beth Israel合作的AMIE对话式诊断AI真实世界研究，人类医生实时监控交互。微软、Google、OpenAI都在声称自己的AI能在部分医疗任务上达到或超过医生水平。

Suleyman相信医疗健康是微软相对于其他前沿实验室的差异化方向。微软已有临床听写和放射学工具，DxO是产品线的延伸，目标是未来几年提供“绝对第一”的临床决策支持产品。但数据也提示局限性：DxO的主要增益集中在复杂病例和较弱模型上，急诊场景没有明显改善；成本仍以千美元计；研究依托模拟病例，而且对照组是单兵作战的全科医生，不是现实中处理复杂病例的专科团队。这些边界在论文数据中都有体现。