诊断基准上拿第一，不等于就是更安全的诊断者。

一个 AI 在诊断测试上比医生准四倍，赢下的却是比标题窄得多的一场比赛。2026 年 10 月 22 日，微软在《科学》发表研究：它的 MAI 诊断编排器（运行在 GPT-5 上）在最难的《新英格兰医学杂志》病例档案上有 83% 答对，而被允许查教科书和网络、却不能找同事或专科医生的全科医生只有 36%。

但要看这个测试到底测了什么。这些是写好的书面病例，被特意挑成疑难杂症，以纯文本作答——没有真实病人，没有影像，没有“到底哪里出了问题”的不确定，而且由另一个模型在“说出病名”这一层打分。微软自家的编排相对单用 GPT-5 只多了约四个百分点，所以大部分差距来自这套考法，而不是这套系统。

微软自己也把真正的检验讲得很清楚：一场活体临床试验——已宣布与 Beth Israel Deaconess 合作，但尚未开展。所以这个 83% 回答的是“它能不能解开一道精选的诊断谜题”，而不是“它对你面前这个病人是不是更安全的诊断者”。如果一场前瞻性试验显示它在真实病人结局上（而不只是说出病名这一层）有同样的优势，我们就会修正这个判断。

下次你读到“AI 在某件事上超过专家”，先做一件事：弄清这个基准到底测了什么，再问有没有人在真实场景里验证过。研究，不构成医疗建议。