11月6日，微软AI对外披露了诊断编排器MAI-DxO的评测结果，论文已经发表在《科学》。微软AI负责人穆斯塔法·苏莱曼在社交平台上把这件事称为医疗超级智能的起点，同时宣布与波士顿的贝斯以色列女执事医疗中心启动临床评估。消息传出的当天，同一周里还有另一条不那么显眼的进展：微软AI组建了一支专门做超级智能的团队，方向被概括为AI伴侣、医疗超级智能与充足的清洁能源。三个方向听起来都很远，医疗是其中唯一已经拿出一篇经过同行评议的论文、并且有医院愿意开门的那一个。
先看测试怎么做的。研究团队用了两批病例：304例来自《新英格兰医学杂志》的临床病理讨论会，这类病例的特点是症状绕、初诊容易跑偏；325例来自MIMIC-IV-ED数据库，是从急诊到住院的真实就诊记录。前一批里，MAI-DxO的诊断准确率是83.2%，作为对照的全科医生是36.1%，而且这些医生被允许查阅参考资料。后一批里，系统是80.3%，医生是46.8%。两个数字都呈现出接近两倍乃至更高的差距。
但准确率必须跟测试条件一起读。这两批病例的共同点是档案已经被整理过：主诉、既往史、化验、影像结论都在库里，条目清楚、顺序合理。真实门诊里医生面对的是一个人说得七零八落、家属补充两句、化验单还没出的场面。系统在这类场景下的表现，论文没有给出答案，因为评测根本没有进入那个环节。所以更稳妥的读法是：在信息已经结构化之后，这套系统做鉴别诊断的能力确实超过了普通全科医生，这一点足以让医院认真对待，但离独立接诊还有距离。
这套系统与过去那些医学问答评测最大的区别，在于它被逼着按顺序工作。模型拿到的只有一句主诉，接下来要自己形成工作诊断，自己决定追问哪些问题，自己决定开哪几项检查，还要把费用算在决策里。为了模拟这个过程，研究团队设了一个守门员智能体，由它扮演病历库的角色，模型每提出一次信息请求，它就按病例记录给出对应内容。换句话说，这是一场AI给AI看病、AI替AI翻病历的推演。
这种设计让评测第一次把"检查开了多少"变成可比较的指标。在一套偏向控费的配置里，系统在疑难病例上保持约81%的准确率，每例诊断相关费用估算为2241美元；作为对照的医生平均是4725美元。但研究团队也承认，把配置调向追求准确率时，费用会跟着上去，省下来的钱并不稳定。费用数字本身也不是账单，是按检查项目与标准诊次估算出来的，能不能在真实医院里兑现，要等下一步的评估。
论文里有一组容易被忽略的对照：换成 OpenAI 的 GPT-5 直接回答，复杂病例的准确率约为79%，套上微软这套编排系统后升到约83%；换成更强的 GPT-5.5，裸模型的准确率约为72%，加上编排后接近87%。两组数据说明编排层确实有效，但也说明提升幅度与底座模型的状态高度相关。到了急诊病例那一组，用最强模型时，编排层带来的增益明显变小。
这个结论对产业界的意义比准确率本身更大。它意味着所谓"医疗AI"并不是一个可以独立售卖的能力包，它的上限被底层模型锁住，模型换代时，编排层的价值要重新算一遍。这也是微软把医疗列为超级智能三大方向之一的技术底气所在：它手上既有模型，也有把模型串成流程的工程能力，两头都能改。反过来说，任何只做中间编排、两头都靠外部供应的团队，在这条路上面临的挤压会越来越大。
微软已经公布与贝斯以色列女执事医疗中心的合作方式：参与的患者照常接受标准治疗，同时与研究系统交互，研究团队把系统建议与医生的独立判断做比对。关键的边界写得很清楚，最终对治疗负责的仍然是医生。这条边界不是形式，它决定了系统在院内只能以"第二意见"的形态存在，而不能进入处方与处置的执行链。
另一条线索是微软与梅奥诊所的合作，方向是预判病情可能怎么发展。从"这一次诊断对不对"到"接下来三天会往哪走"，难度不是一个量级，因为后者的答案要等时间验证，数据标注的周期被拉长到以周甚至以月计。医院真正愿意付费的往往也是后者，鉴别诊断做完之后，管理路径才是成本大头。院内落地还有一道绕不开的门：患者的病历要能被系统读到，就得走院内数据治理流程，哪些字段可用、能不能出内网、留存多久，每一项都要单独约定。这件事的进度，往往比模型效果更能决定上线时间。
把超级智能拆成三个方向，本身是一种产品化的表述方式。伴侣、医疗、清洁能源，三个方向的共同点是都能量化：伴侣能看留存与使用时长，医疗能看诊断符合率与费用，清洁能源能看每度电的成本。相比之下，"通用智能达到什么水平"没法验收，也就没法向董事会交代。医疗之所以被排在前面，是因为它的验收标准最成熟：有金标准病例、有同行评议、有医院愿意做对照研究。
需求侧的底子也是现成的。微软AI今年4月在《自然·健康》上发表过一项研究，分析了2026年1月超过50万条经过脱敏的健康对话，其中四成以上属于健康信息与教育，约两成涉及个人症状判断，还有七分之一问的是别人而不是自己。症状类提问在夜间出现明显的峰值，正好是门诊关门的时段。这组数据解释了为什么医疗是消费级助手最容易被真实使用的场景，也解释了为什么大厂愿意在这里先投研究而不是先投广告。剩下没有答案的问题有三个：临床评估要跑多久、跑出什么结果才算通过，系统出错时的责任怎么划分，以及医院在什么价位上愿意为它付钱。