看病更像查案，不是做选择题。您先说几个症状，医生再决定要不要抽血、拍片、改口径。判错了，治疗会晚，账单也会厚。微软团队在《科学》上发表的系统叫 MAI-DxO，想把这条路走得更短、也更准。
说白了，它不是再做一个医学考试机器人。考试把线索一次性给齐，模型只用选答案。真正问诊是一轮一轮补信息。MAI-DxO 模拟的就是后者。
它把一个模型拆成一个小组
底座是 GPT-5。换成更新的 GPT-5.5，准确率还会再高一点。但单独把病历丢给 GPT-5，不如让几个角色互相拾杠。论文里的分工大致是这样：
- 一个角色先提出可能的病名。
- 一个角色决定还要问什么、做哪些检查，并拿新结果去挑战刚才的判断。
- 一个角色算账：这项检查值不值得做。
- 一个「主任医生」负责收口，决定还要不要再查一步。
病例从很少的信息开始。比如一个 30 岁男性胸痛。参与者可以问病史、开检查、改判断，最后才锁定诊断。评分看两件事：病名对不对，走到这一步花了多少钱。
数字：复杂病例和普通急诊不是一回事
团队选了 304 个《新英格兰医学杂志》的复杂病例，再加上数量接近的普通急诊病例。对照组是 40 名医生，临床经验大约十来年。简单讲，不是拿刚毕业的人来垫底。
| 场景 | MAI-DxO | 对照医生 |
|---|---|---|
| 复杂病例 | 准确率 83% | 只靠自己的知识，大约 22%；给了上网查资料，也只高一点点 |
| 普通急诊 | 约 80% | 约 47% |
| 复杂病例、控制费用 | 准确率仍接近 80%，单例约 1300 美元 | 单例超过 4700 美元 |
费用按论文里引用的 2023 年医院价格估算，不是您挂号时的实际账单。同一套分工，也比单独使用 Claude、Gemini 或 Grok 更容易打对病名，花的钱更少。这说明加分不只来自底座模型，还来自怎么组织这轮问诊。
坏血病那个例子，省的是滥开检查
有一例是坏血病，也就是维生素 C 不够。MAI-DxO 把饮食史和牙龈出血、掉牙对上，只开了针对性的维生素 C 检测，花了一千出头美元就对上了。单独用 GPT-5 时，它先去跑了一大圈神经科检查，账单大约是前者的 7.6 倍。
这个对比值得记。模型「会」，不代表它会省钱。没有人负责拦下没必要的检查，它会把路走宽。
现在还不能单独坐诊
- 实验是文字模拟。真人的病史经常缺一块，还有影像和时间压力。
- 慢性病、会变的病，比如肿瘤，论文自己也说可能把它难住。
- 检查要不要做，最后是您说了算。您拒绝了，系统得会改道。
- 团队正在和波士顿贝茨伊色列女执事医学中心看，它怎么进日常流程，还没有结论。
作者 Eric Horvitz 说，他从 1980 年代就在做医学里的人工智能，希望这次能让更多人尽早得到有效治疗。另一位作者 Harsha Nori 把评测收成两句话：诊断对不对，路径贵不贵。
小编的判断很克制：这不是「医生要被换掉」。它更像一个会算账、也会拾杠的会诊草稿。日常问健康问题该开哪个聊天模型，是另一件事，小编按 2026 年 11 月的榜单写在大模型怎么选。草稿能不能用，还得看真实门诊里的病史、影像，以及您愿不愿意做那项检查。同一周也有药企负责人直接否定「十年治好大多数病」。诊断帮手和治愈疾病，小编在这期周报里分开写了：科技周报：自我改进、家用机器人和海水淡化（截至11月7日）。如果您还想看用一句话设计蛋白质，可以读用大白话让AI设计蛋白质。