根据周四在《科学》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的医疗案例的频率是普通医生的两倍多。微软人工智能首席执行官穆斯塔法·苏莱曼称这个结果是朝着“医疗超智能”的一步。该系统被称为MAI-DxO（简称DxO），协调多个像医生小组一样的人工智能代理。它们对患者提问，订购测试，并辩论诊断。根据使用自《新英格兰医学杂志》复杂案例的模拟，DxO的准确率为83%。而初级保健医生和普通内科医生单独与参考材料工作时的正确率为36%。有一点需要注意的是，这种复杂的案例通常由专家或医生团队处理，而他们并不在比较之中。“这里有一些非常实质和令人兴奋的事，”微软人工智能健康副总裁多米尼克·金告诉TechCrunch。“目前医疗交付中最大的挑战是医疗专长的需求和供应之间日益增长的不匹配。”通过发布这些结果，微软与谷歌和OpenAI一起声称它的人工智能可以与医生相匹配或超越。该研究本身的数据表明，大部分改善来自更强大的底层人工智能模型，微软的调度系统在此基础上增加了收益。微软测试了包括OpenAI、谷歌、Anthropic、Meta和DeepSeek在内的几家公司的模型，但其最佳结果来自OpenAI的GPT-5和GPT-5.5。DxO（没有预算限制）在不同大型语言模型中对模型基础提示的准确性改进进行了评估。微软在成本和准确性方面对DxO进行了评估，这意味着运行每个案例人工智能的估计成本。仅使用短而基本的提示时，GPT-5在复杂案例中的得分为78.9%，每个案例的成本约为8,400美元。DxO将这一成本降低了约3,000美元，但仅将准确性提高了约四个点。在急诊科案例中，GPT-5与DxO的帮助之间在准确性或成本改进上几乎没有提高。使用2026年4月发布的新模型GPT-5.5时，结果出现了分歧。在复杂案例中，DxO将GPT-5.5的准确率从72%提高到接近87%，且成本略微降低。然而，这种提升在急诊科案例中再次未能显现。两者（有无DxO）在类似成本下的得分都在85%左右。DxO在复杂案例和较不强大的人工智能模型中提供帮助。例如，Gemini 2.5 Flash单独得分为46.4%，但与DxO一起则接近69%。尽管如此，较弱与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，准确性提升自然会缩小。“DxO调度有助于优化准确性和成本的更广泛挑战，”一位发言人补充道。苏莱曼领导着微软打造自己前沿人工智能的努力，他告诉TechCrunch，该公司正在与梅奥诊所合作，训练一个基础模型用于医疗保健，计划明年发布。他相信这个模型将使公司实现“真正巨大的飞跃”，并表示DxO是微软为实现医疗保健真正突破所构建的基础设施的一部分。“我真的相信，在2027年，我们将处于医疗记录编码风格突破的边缘，”苏莱曼说。“我认为我们将能够实时流式传输关于医疗记录如何展开的高度准确的预测，显然，这种对临床医生的预见是金矿。”苏莱曼在其职业生涯中一直试图利用人工智能解决医疗问题。他曾是DeepMind的联合创始人，该公司于2014年被谷歌收购。随后一年，谷歌DeepMind收购了金的初创公司Hark，这是一个临床任务管理应用程序，他们一起启动了DeepMind Health。苏莱曼于2024年加入微软领导其人工智能部门，而金则在几个月后跟随其后。“我们只是坚信这个理念，”苏莱曼说。他表示，尽管在医疗保健中使用生成性人工智能仍然处于早期阶段，但他预计，在接下来的24到36个月内，医疗保健模型的能力将“提高一个数量级”。“正如我们在过去五到六年中多次看到的那样，一旦我们拥有飞轮，进步会非常迅速，”苏莱曼说。“飞轮意味着我们有一个处于生产中的模型，我们与现实世界的使用进行迭代，以识别模型中的差距，然后修补并改进它们。这就是编码发生的情况。这就是之前在聊天中发生的事情。我认为明年医疗记录和临床决策支持将开始发生这种情况。”通过与波士顿的贝斯以色列女执事医疗中心的新合作关系，微软将评估DxO在不同医院环境中的临床推理能力。