作者：电子创新网张国斌
过去十多年，智能手机影像竞争的主线非常清晰：更高像素、更大底、更强ISP，再加上计算摄影。但当手机主摄像头像素已经进入亿级，单纯继续堆叠硬件参数正在变得越来越难形成明显的用户感知。与此同时，AI正在进入端侧，手机需要处理的不再只是“拍出一张好看的照片”，而是越来越多地理解用户所处的真实环境。这也让一个过去并不显眼的技术方向开始发生变化：光传感器正在从简单的环境光检测，向光谱理解、空间感知以及与影像和显示系统协同演进。
在第二十七届中国国际光电博览会上，艾迈斯欧司朗围绕智能手机发布了一套“影像与显示协同”的传感技术方案。艾迈斯欧司朗光学传感产品线全球产品市场负责人Julia Stübinger在接受采访时提到，这套方案的核心并不是简单增加一颗传感器，而是希望打通环境光、影像、显示以及深度信息之间的链路。
从技术路径看，这背后实际上对应着手机感知体系的一次变化：摄像头负责“看见”，光谱传感器负责告诉系统“光到底是什么”，dToF则进一步告诉系统“东西在哪里”。而AI，则负责把这些不同维度的信息组合起来。
一、从“看见颜色”到“理解光”：多通道光谱传感器的价值
手机中的环境光传感器并不是新技术。最早的方案可能只需要判断环境亮度，再决定屏幕应该调亮还是调暗。之后RGB传感器开始进入手机，可以获得更加丰富的颜色信息；XYZ真彩传感器则进一步模拟人眼的三刺激响应。
但这些方案都有一个共同限制：通道数量有限。以XYZ传感器为例，它的优势是三个响应曲线与人眼响应高度对应，可以非常准确地获得CIE色彩空间中的信息。但当它被用于影像场景时，传感器接收到的并不一定是光源本身，而可能是经过物体反射之后的光。这意味着，传感器虽然能够准确“测量”，却未必能够准确判断光源本身。
多通道光谱传感器的思路则不同。根据艾迈斯欧司朗的介绍，其多通道光谱传感器可以通过8—14个通道获取更丰富的光谱信息，并进一步进行光谱重构。相比只有几个通道的RGB或XYZ传感器，多通道方案能够从多个采样点推断整个光源的光谱曲线。这带来的关键变化是：传感器不再只是告诉系统“这里是什么颜色”，而是尝试告诉系统“这里的光是什么”。这对于手机影像尤其重要。
比如一个红色物体占据大面积画面，普通RGB传感器看到的是经过物体反射后的红光。但对于多通道光谱传感器而言，反射光在完整光谱曲线上可能表现为一个突出的特征，通过光谱重构和数据分析，可以进一步识别这种干扰。换句话说，光谱传感器提供的不是最终的影像风格，而是一份更接近真实物理世界的“原始参考”。Julia Stübinger将其称为“ground truth”，这个概念其实非常关键。过去手机影像的核心是ISP：传感器采集数据，ISP进行处理，最终形成一张符合厂商审美的照片。而未来可能变成：真实环境光信息 → 光谱传感器 → SoC/ISP → 影像与显示算法 → 厂商自己的视觉风格。厂商仍然可以选择徕卡式、哈苏式或者自己的影调，但它首先拥有了一个更加准确的环境光“基准”。
二、真正难的不是“多几个通道”，而是把传感器塞进屏幕下面
如果说后置多通道光谱传感解决的是“如何更准确地理解环境光”，那么屏下光谱传感解决的则是一个更加棘手的问题：如何在OLED屏幕后面测量真实环境光？
这其实是一个典型的消费电子工程问题。手机越来越追求全面屏，传感器能够占用的空间越来越小，很多元件必须隐藏到屏幕下面。但OLED本身并不是理想的“光学窗口”。随着像素密度不断提升，屏幕透光率越来越低。Julia Stübinger在采访中表示：“未来COE结构下的透光率甚至可能低于1%。因此，放在屏幕下面的光谱传感器首先需要极高的感度。但高感度还不是最大的难题。OLED屏幕自己会发光，如果传感器持续采样，它接收到的就不只是外部环境光，还包括屏幕自身的背光泄漏。于是，传感器必须找到一个时间窗口，让自己尽可能‘看到外面的世界’，而不是看到屏幕。”
艾迈斯欧司朗给出的解决思路，是利用OLED刷新过程中的瞬间黑屏窗口进行采样。也就是说，传感器并不是简单地把灵敏度做高，而是需要与显示刷新时序协同，在特定时间窗口快速完成环境光采集。这意味着屏下光谱传感器实际上涉及三个层面的技术挑战：第一是高感度；第二是高速积分，抑制屏幕自身光线的干扰；第三是针对屏幕透过率造成的光谱变形进行重新设计。
因此，屏下光谱传感器并不是把普通光谱传感器简单“放到屏幕下面”。它本身就是一个重新定义过的传感器。这也是为什么这类方案真正进入手机以后，难点已经从单颗芯片的性能，扩展到了传感器、屏幕、封装、算法和系统时序之间的协同。
三、为什么AI不会简单“干掉”传感器？
这是这场采访中非常值得关注的一个问题。现在AI算法越来越强，已经可以通过摄像头图像完成白平衡、场景识别、物体识别等大量工作。那么问题自然来了：既然AI可以从RGB摄像头里推断环境信息，为什么还需要额外的光谱传感器？艾迈斯欧司朗给出的答案可以概括为一句话：AI擅长处理数据，但不能凭空制造传感器没有采集到的数据。
这实际上触及了AI感知系统一个非常基础的边界。RGB摄像头拥有大量像素，因此能够提供海量图像数据。但它的物理响应曲线决定了它能够获取的信息类型。对于更加复杂的光谱信息，仅仅依靠RGB图像进行算法推断，并不能等价于直接测量。
因此，未来更可能出现的并不是“AI替代传感器”，而是：传感器负责获取真实世界数据，AI负责理解和处理这些数据。这也解释了为什么简单的两通道环境光传感器或者RGB传感器可能会受到AI的冲击。因为这些信息，摄像头本身可能已经能够提供部分替代数据。但对于更复杂的光谱、深度等物理信息，传感器仍然承担着数据入口的角色。这其实与AI时代的整个计算架构变化是一致的。
过去系统瓶颈往往是“算力不够”，因此大家不断增加ISP、DSP和NPU能力；现在端侧AI越来越强之后，系统的新瓶颈反而可能变成：有没有足够真实、足够及时、足够丰富的数据可以提供给AI。从这个角度看，传感器的重要性并没有下降，反而可能重新上升。
四、从RGB到RGBD：dToF开始进入“空间理解”
如果说光谱传感解决的是“光是什么”，那么dToF解决的就是“东西在哪里”。过去手机中的ToF更多承担的是测距、辅助对焦、人脸识别等任务。但随着多点dToF和AI能力的发展，它正在从单点距离测量向空间信息采集演进。
采访中提到，目前多点dToF可以获得不同方向、不同距离上的信息。如果与RGB摄像头融合，就可以形成RGBD数据。这意味着系统获得的不再只是一张二维照片，而是：RGB图像 + 深度 + 空间几何信息。例如摄像头识别出一个人的脸，而dToF可以进一步告诉系统脸部与周围物体之间的空间关系。结合算法之后，系统能够更加准确地进行景深处理、空间重构以及物体尺寸测量。
进一步看，如果再把dToF与陀螺仪、MEMS、IMU等信息结合，手机获得的就不只是单一传感数据，而可能是一套完整的三维空间信息。这与今天越来越火的3D重构、空间计算以及AR应用实际上存在直接联系。但dToF要真正进入消费电子，仍然面临一个现实问题：功耗。想让ToF看得更远，就需要更高的VCSEL发射功率；但手机电池容量有限，同时还必须满足人眼安全要求。
此外，太阳光中的红外辐射也会对940nm附近的ToF产生干扰。因此，未来dToF的发展方向并不是简单地追求“更远”，而是在发射功率、接收灵敏度、抗环境光能力、尺寸和功耗之间寻找新的平衡。这也是为什么消费电子版本的ToF需要高度集成。
行业应用中的传感器可以接受更大的体积、更高的功耗，但手机、眼镜等终端没有这样的空间。要进入这些设备，就必须把原来的分立式光源、驱动和接收结构进一步集成。小型化、低功耗，本身已经成为传感器技术的一部分。
五、艾迈斯欧司朗真正的技术壁垒，不只是一颗传感器
从这次采访透露的信息来看，艾迈斯欧司朗真正强调的并不是单一器件参数，而是它的垂直整合能力。尤其是在多通道光谱传感器上，核心难点之一是滤光膜。艾迈斯欧司朗采用的是法布里-珀罗干涉膜，而不是传统的有机滤光膜。两种路线最大的区别之一，在于光谱响应曲线的可塑性。有机膜更多依赖材料本身决定响应曲线，而干涉膜可以通过膜层结构对光谱响应进行设计和塑形。但代价是工艺复杂度明显提升。
Julia Stübinger在采访中介绍道：“一片法布里-珀罗干涉膜需要沉积几十层膜，每一层出现问题，都可能导致整片晶圆报废。因此，这不仅是一个光学设计问题，更是一个晶圆制造、薄膜沉积、工艺控制和质量管理问题。这也是艾迈斯欧司朗所强调的IDM式能力的价值所在。从晶圆设计、镀膜，到封装、测试，再到光谱重构算法和屏下光干扰消除算法，企业能够控制整个链路。对于这种高度依赖光学、材料、半导体工艺和算法协同的器件来说，真正的壁垒往往不是某一个单独指标，而是长期积累形成的工艺Know-how。尤其是光谱传感器，它不像普通数字芯片那样可以简单通过增加晶体管数量获得性能提升。光谱曲线怎么设计、膜层怎么做、通道之间如何保持一致、屏幕透过之后如何校准、最终如何重构光谱，这些都是系统性的工程能力。这也解释了为什么多光谱传感器的产业化门槛明显高于传统环境光传感器。”
六、手机影像竞争，正在从“单项参数”转向“系统协同”
如果把这些技术放到整个手机产业链里观察，会发现一个更大的变化。
过去手机厂商的影像团队、显示团队、SoC团队以及传感器供应商，往往是相对独立的。摄像头追求解析力，屏幕追求亮度和色彩，ISP追求算法能力，传感器则负责提供数据。
但现在的问题越来越复杂。摄像头拍到了什么，最终应该在屏幕上显示成什么？如果环境光发生变化，屏幕应该怎么调整？如果拍摄对象处于复杂光源环境，ISP应该如何判断真实光源？如果手机不仅要拍照，还要做AR、3D重构和空间交互，系统又需要什么样的深度信息？这些问题已经不是某一颗芯片能够单独解决的。
这也是艾迈斯欧司朗此次方案最值得关注的地方：它试图把环境光、光谱、影像、显示和深度信息放到同一条链路上。在这条链路里，传感器负责建立一个尽可能真实的物理世界“基座”；SoC承担信息处理和转换；ISP负责影像处理；显示系统负责最终呈现；而OEM则在这个基础上加入自己的算法和视觉风格。因此，所谓“所见即所得”，真正难的并不是让屏幕显示得更加艳丽，而是让真实世界→传感→计算→显示之间的数据链路尽可能一致。
这其实也是AI时代手机硬件竞争正在发生的变化：过去比的是谁的单项参数更高，未来越来越可能比的是谁能够把这些参数真正协同起来。
七、从旗舰机开始，但最终可能走向更多终端
当然，多光谱传感、屏下光谱以及多点dToF目前仍然存在成本、功耗、空间和研发投入等现实约束，因此短期内更适合从旗舰产品切入。但传感器产业过去已经多次证明了一个规律：当一项技术能够被证明能够改善用户体验之后，随着成本下降和供应链成熟，它往往会逐步向中端产品扩散。
两通道环境光传感器曾经是高端手机的功能，如今已经成为手机的基础配置；RGB传感器也经历了类似过程。多光谱传感器未来是否会复制这一路径，关键取决于两个变量：一是成本能否下降，二是OEM能否真正把它产生的数据转化为用户能够感知的体验。而这恰恰也是这类技术最值得观察的地方。因为如果只是增加一颗传感器，却没有后端算法、SoC、ISP和显示系统的配合，那么它很难产生足够大的产品价值。反过来，如果手机厂商能够把这些数据真正利用起来，那么光谱传感器和dToF就不再只是“多两颗芯片”，而可能成为AI手机感知体系的一部分。
从这个意义上说，艾迈斯欧司朗这次展示的并不只是一套新的光学传感方案。它实际上指向了一个更大的趋势：AI手机的下一阶段竞争，可能不再只是让AI拥有更强的“大脑”，而是让它拥有更真实的“眼睛”。而这双“眼睛”，也不会再只有摄像头。它可能由RGB、光谱、ToF、IMU以及更多传感器共同组成。
摄像头负责看到世界，光谱传感器负责理解光，ToF负责理解空间，AI则把这些不同维度的信息组织起来。当这些信息真正进入同一个系统之后，手机才可能从一个“拍摄设备”，进一步变成一个能够持续感知和理解现实世界的端侧智能终端。
注：本文为原创文章，未经作者授权严禁转载或部分摘录切割使用，否则我们将保留侵权追诉的权利
