原文标题：Microsoft’s Mustafa Suleyman says its AI outperforms doctors on hard cases as he chases ‘medical superintelligence’
根据周四在《科学》杂志上发表的一项研究，微软的人工智能诊断系统在模拟中正确诊断复杂医疗病例的频率是全科医生的两倍多。微软 AI 首席执行官穆斯塔法·苏莱曼 (Mustafa Suleyman) 称这一结果是迈向“医疗超级智能”的一步。
该系统被称为 MAI-DxO（简称 DxO），协调多个人工智能代理，就像一组医生一样。他们询问病人，安排检查，并对诊断进行辩论。
在使用《新英格兰医学杂志》中的复杂案例进行的模拟中，其正确率为 83%。初级保健医生和普通内科医生根据参考资料单独工作，正确率为 36%。需要注意的是：这种复杂的病例通常由专家或医生团队处理，他们不参与比较。
“这里有一些非常实质性和令人兴奋的东西，”微软人工智能健康副总裁多米尼克·金 (Dominic King) 告诉 TechCrunch。 “目前医疗保健服务面临的最大挑战是医疗专业知识的供需之间日益不匹配。”
在发布这些结果时，微软与谷歌和 OpenAI 一起声称自己的人工智能可以匹配或超越
医生。
该研究自己的数据表明，大部分改进来自更强大的底层人工智能模型，微软的编排系统在此基础上增加了收益。
微软使用 OpenAI、Google、Anthropic、Meta 和 DeepSeek 等多家公司的模型测试了 MAI-DxO，但其最佳结果来自 OpenAI 的 GPT-5 和 GPT-5.5。
DxO（无预算限制）在每次点击费用（CPC）上相对于模型的准确性有所提高
跨不同大型语言模型的基线提示进行提示。图片来源：微软人工智能
微软根据成本和准确性来衡量 DxO，这意味着在每种情况下运行人工智能的估计成本。凭借简短、基本的提示，GPT-5 在复杂案例上的得分为 78.9%，每个案例的费用约为 8,400 美元。 DxO 将成本降低了约 3,000 美元，但准确度仅提高了约 4 个百分点。在急诊科病例中，单独使用 GPT-5 与在 DxO 的协助下相比，准确性或成本改善几乎没有改善。
对于 2026 年 4 月发布的新模型 GPT-5.5，结果出现了分歧。在复杂情况下，DxO 以稍微便宜的成本将 GPT-5.5 的准确率从 72% 提高到近 87%。然而，再一次的收获并没有到来
出现在急诊科病例中。两者（使用和不使用 DxO）在相似的成本下得分约为 85%。
DxO 在复杂案例和能力较差的 AI 模型上帮助最大。例如，Gemini 2.5 Flash 单独得分为 46.4%，但 DxO 得分接近 69%。即便如此，较弱和较强模型之间的差距仍大于 DxO 提供的提升。
微软的研究人员表示，随着模型接近理论最大值，准确性的提升自然会缩小。 “DxO 编排有助于应对优化准确性和成本方面更广泛的挑战，”一位发言人补充道。
领导微软构建自己的前沿人工智能的苏莱曼告诉 TechCrunch，该公司正在与 Mayo Clinic 合作，训练医疗保健基础模型，计划于明年发布。他相信这种模式将使公司能够“在这里实现真正的巨大飞跃”，并表示 DxO 是微软正在构建的基础设施的一部分，以实现医疗保健领域的真正突破。
“我坚信，到 2027 年，我们将处于医疗记录编码风格突破的边缘，”Suleyman 说。 “我认为我们将能够对如何进行高度准确的预测
医疗记录可能会展开，显然这种远见对于临床医生来说是金粉。”
Suleyman 的职业生涯一直致力于利用人工智能解决医疗问题。他此前是 DeepMind 的联合创始人，该公司于 2014 年被谷歌收购。次年，谷歌 DeepMind 收购了 King 的初创公司 Hark（一款临床任务管理应用程序），两人共同推出了 DeepMind Health。 Suleyman 于 2024 年加入微软，领导其人工智能部门，几个月后，King 也加入了微软。
“我们只是真正的信徒，”苏莱曼说。
他表示，虽然生成式人工智能在医疗保健领域的应用还处于早期阶段，但他预计医疗保健模型“在未来 24 至 36 个月内的能力将提高一个数量级”。
“正如我们在过去五六年中多次看到的那样，一旦有了飞轮，进步就会很快，”苏莱曼说。 “飞轮意味着我们有一个正在生产的模型，我们正在根据现实世界的使用情况进行迭代，以便识别模型中的差距，然后修补并改进它们。这就是编码中发生的事情。这是之前聊天中发生的事情。我认为明年医疗记录和临床将开始发生这种情况
决策支持。”
通过与波士顿贝斯以色列女执事医疗中心建立新的合作伙伴关系，微软将评估 DxO 在不同医院环境中的临床推理能力。
金说：“这项技术已经准备好进行现实世界的评估，你可以想象周五晚上来自波士顿急诊室的问题的复杂性和多样性。”
他解释了这项研究的运作方式：患者将获得标准治疗，包括分诊、与专家会面、治疗、调查以及决定是否安全出院。与此同时，同意的人也将参与 DxO。微软及其合作伙伴将 DxO 的建议与人类医生的建议进行比较。
本月，谷歌与 Beth Israel 一起在《柳叶刀》上发表了一项临床研究，以评估谷歌的 AMIE 对话式诊断人工智能在现实世界紧急护理就诊中的表现，而人类医生则实时监控交互情况。
“我们认为这将是同类中规模最大的研究，”金说。 “它不仅适用于紧急情况，还适用于紧急护理环境，并将在研究期结束时为我们提供非常令人信服的证据
这些系统未来能够更大规模地部署。”
微软在《科学》杂志上的研究与围绕建立医疗超级智能所需的内容的某种宣言不谋而合，超级智能的定义是“在整个护理领域的医疗推理和协调方面超越当代最强大的人类主导的卫生系统的能力”。微软希望超越对个人任务进行基准测试（例如回答医学检查问题和生成诊断），与临床医生和医疗保健系统集成，以获得更好的结果。
苏莱曼说：“这是世界上每个人都想要的技术，这就是为什么我们致力于尽一切努力加速其向世界的推出。”他补充说，与其他前沿实验室相比，这种关注可能是微软的一个差异化因素。
微软已经向临床医生出售听写和放射学工具，并将 DxO 视为对这些努力的扩展。
“未来几年我们必须拥有绝对第一的最先进的医疗临床决策支持产品，”苏莱曼说。